nina Wu
【科研成果】长期开展数据科学、人工智能及智能信息处理领域的科研工作，具有较丰富的学术论文研究与科研项目实践经验。
目前重点围绕大语言模型、知识图谱、生成式人工智能、智能信息分析、自然语言处理及数据驱动决策等方向开展研究。
熟悉完整的学术研究流程，包括：
• 研究选题与Research Gap识别；
• 系统文献综述与理论框架构建；
• Research Question与Hypothesis设计；
• 定量研究与实验研究设计；
• 数据采集、清洗、特征工程及统计分析；
• Python机器学习与深度学习实验；
• LLM、RAG、Agent、Knowledge Graph等AI方法设计；
• 消融实验、对比实验及稳健性分析；
• SCI/SSCI论文结构设计及学术写作；
• Reviewer Comments分析及论文返修。
具有人工智能与社会科学、人文科学、金融科技等交叉研究经验，能够针对不同专业背景设计数据科学与AI融合型研究方案。目前三篇cssci一作论文，两篇已见刊，一篇录用，一篇ssci论文已录用。
【研究方向】
大方向：数据科学、人工智能、生成式AI、自然语言处理、知识图谱、智能信息分析
细分方向：
• 大语言模型（Large Language Models, LLMs）
• 生成式人工智能（Generative AI / AIGC）
• 知识图谱（Knowledge Graph）
• RAG与知识增强大语言模型
• AI Agent / 智能体
• 自然语言处理（NLP）
• 文本挖掘与文本分类
• 虚假信息 / 虚假新闻检测
• 数据挖掘与机器学习
• 金融科技与金融数据分析
• Python数据分析
• 人工智能与数字人文交叉研究
【可指导区位】
cssci核心期刊
【指导经验】指导过一个硕士毕业论文，一个cssci期刊发表
【指导特点/可提供给学员的帮助】
1. 从零搭建科研框架
对于第一次做科研的学生，可以从基础开始帮助理解：
研究主题 → 文献 → Research Gap → Research Question → Methodology → Experiment → Results → Paper
避免学生一开始就陷入“看了很多论文但不知道自己要研究什么”的状态。
2. 数据科学与AI方法指导
可以根据研究问题帮助学生选择合适的方法，包括：
• 数据清洗与预处理；
• Exploratory Data Analysis；
• Statistical Analysis；
• Machine Learning；
• Deep Learning；
• NLP；
• LLM；
• RAG；
• Knowledge Graph；
• AI Agent；
• 文本分类与语义分析。
对于零基础学生，也可以从Python基本的数据处理和代码逻辑开始讲解。
3. 论文方法与实验设计
不仅帮助学生“把代码跑出来”，更强调研究设计是否合理。
可重点帮助：
• Baseline选择；
• Evaluation Metrics；
• Comparative Experiment；
• Ablation Study；
• Robustness Test；
• Sensitivity Analysis；
• Error Analysis；
• Case Study。
帮助学生理解“为什么做这个实验”“这个实验能够证明什么”，提升论文整体研究逻辑。
4. 文献阅读与Research Gap提炼
针对学生常见的“找不到创新点”问题，可以帮助：
• 建立关键词体系；
• 分类整理文献；
• 识别已有研究局限；
• 比较不同方法；
• 从理论、数据、方法和应用场景中寻找Research Gap；
• 将Research Gap进一步转化为Research Questions。
5. 精细化论文结构指导
根据学生研究阶段，可提供从Proposal到完整论文的结构指导。
重点关注：
• Introduction是否真正提出问题；
• Literature Review是否形成逻辑而非简单罗列；
• Methodology是否与Research Question对应；
• Results是否真正回答研究问题；
• Discussion是否具有理论和实践意义；
• Contribution是否与已有研究形成明确区分。
6. 代码与数据分析教学
擅长Python及数据科学相关分析。
可指导：
• Pandas
• NumPy
• Matplotlib
• Scikit-learn
• 数据预处理
• 特征工程
• 模型训练
• 模型评估
• 文本分析
• 机器学习实验
注重解释每一步代码“为什么这样写”，而不是单纯提供运行结果。
nina Wu
【科研成果】长期开展数据科学、人工智能及智能信息处理领域的科研工作，具有较丰富的学术论文研究与科研项目实践经验。
目前重点围绕大语言模型、知识图谱、生成式人工智能、智能信息分析、自然语言处理及数据驱动决策等方向开展研究。
熟悉完整的学术研究流程，包括：
• 研究选题与Research Gap识别；
• 系统文献综述与理论框架构建；
• Research Question与Hypothesis设计；
• 定量研究与实验研究设计；
• 数据采集、清洗、特征工程及统计分析；
• Python机器学习与深度学习实验；
• LLM、RAG、Agent、Knowledge Graph等AI方法设计；
• 消融实验、对比实验及稳健性分析；
• SCI/SSCI论文结构设计及学术写作；
• Reviewer Comments分析及论文返修。
具有人工智能与社会科学、人文科学、金融科技等交叉研究经验，能够针对不同专业背景设计数据科学与AI融合型研究方案。目前三篇cssci一作论文，两篇已见刊，一篇录用，一篇ssci论文已录用。
【研究方向】
大方向：数据科学、人工智能、生成式AI、自然语言处理、知识图谱、智能信息分析
细分方向：
• 大语言模型（Large Language Models, LLMs）
• 生成式人工智能（Generative AI / AIGC）
• 知识图谱（Knowledge Graph）
• RAG与知识增强大语言模型
• AI Agent / 智能体
• 自然语言处理（NLP）
• 文本挖掘与文本分类
• 虚假信息 / 虚假新闻检测
• 数据挖掘与机器学习
• 金融科技与金融数据分析
• Python数据分析
• 人工智能与数字人文交叉研究
【可指导区位】
cssci核心期刊
【指导经验】指导过一个硕士毕业论文，一个cssci期刊发表
【指导特点/可提供给学员的帮助】
1. 从零搭建科研框架
对于第一次做科研的学生，可以从基础开始帮助理解：
研究主题 → 文献 → Research Gap → Research Question → Methodology → Experiment → Results → Paper
避免学生一开始就陷入“看了很多论文但不知道自己要研究什么”的状态。
2. 数据科学与AI方法指导
可以根据研究问题帮助学生选择合适的方法，包括：
• 数据清洗与预处理；
• Exploratory Data Analysis；
• Statistical Analysis；
• Machine Learning；
• Deep Learning；
• NLP；
• LLM；
• RAG；
• Knowledge Graph；
• AI Agent；
• 文本分类与语义分析。
对于零基础学生，也可以从Python基本的数据处理和代码逻辑开始讲解。
3. 论文方法与实验设计
不仅帮助学生“把代码跑出来”，更强调研究设计是否合理。
可重点帮助：
• Baseline选择；
• Evaluation Metrics；
• Comparative Experiment；
• Ablation Study；
• Robustness Test；
• Sensitivity Analysis；
• Error Analysis；
• Case Study。
帮助学生理解“为什么做这个实验”“这个实验能够证明什么”，提升论文整体研究逻辑。
4. 文献阅读与Research Gap提炼
针对学生常见的“找不到创新点”问题，可以帮助：
• 建立关键词体系；
• 分类整理文献；
• 识别已有研究局限；
• 比较不同方法；
• 从理论、数据、方法和应用场景中寻找Research Gap；
• 将Research Gap进一步转化为Research Questions。
5. 精细化论文结构指导
根据学生研究阶段，可提供从Proposal到完整论文的结构指导。
重点关注：
• Introduction是否真正提出问题；
• Literature Review是否形成逻辑而非简单罗列；
• Methodology是否与Research Question对应；
• Results是否真正回答研究问题；
• Discussion是否具有理论和实践意义；
• Contribution是否与已有研究形成明确区分。
6. 代码与数据分析教学
擅长Python及数据科学相关分析。
可指导：
• Pandas
• NumPy
• Matplotlib
• Scikit-learn
• 数据预处理
• 特征工程
• 模型训练
• 模型评估
• 文本分析
• 机器学习实验
注重解释每一步代码“为什么这样写”，而不是单纯提供运行结果。