课堂结束后，按本页开始课后自学与实验。
W09 · 验收 W08 / 发布任务 5
先验收 W08，再检查 AI 模型的风险边界
本周课堂先核验 W08 架构实验报告；课堂结束后再开始本页 AI 风控实验。W10 周二 24:00 截止，W10 周四核验。
提交一份飞书实验报告，并保持链接可访问。
进入逐份评阅；不要在未说明的情况下替换链接。
课堂核验本页任务时，要现场调整阈值并解释误拒、误放和人工复核。
09
01
本周先看懂什么
Core concepts从带标签样本学习输入和答案的关系。
在无标签数据中寻找群组、结构或异常。
通过行动、奖励和反馈学习策略。
特征是模型输入，标签是希望预测的答案。
训练从历史数据学习；推断把模型用于新样本。
传统财务数据之外的行为、设备、文本等信息，可能有用也可能侵犯隐私或产生偏差。
02
学完后大致能做到
Learning outcomes自查完成度0 / 4
勾选只保存在当前浏览器，用于自查，不会自动提交成绩。
03
零基础起步
Lower the first step先迈一步
调节阈值并解释「阈值更严格」会带来什么收益和代价。
完整复现
计算两种错误，讨论特征、标签、偏差、隐私和可解释性。
自由拓展
比较规则评分与机器学习；为模型设计一张简短模型卡。
从这里开始
打开站内阈值实验，先使用默认 60 分。
记录误放风险和误拒数量。
向左、向右调整阈值，观察两种错误怎样变化。
挑一条样本解释模型分数和真实结果为什么不同。
写出至少一项不能仅靠模型决定的人工复核条件。
04
问题驱动的 AI 自学路线
Question-driven learning本周大问题
模型给出的分数，为什么不能直接等同于一个人的真实风险？
带着问题读教材
不要求逐页背诵。先读标题和小节，再围绕本周问题精读；教材、AI 和实验结果三者不一致时，把差异写进报告。
Chapter 12，pp. 211–220
AI、神经网络、监督/无监督/强化学习、聊天机器人与替代数据。
Chapter 3，pp. 55–56
RegTech 机会与监管流程。
先问自己，再问 AI
每个问题都必须留下三层痕迹：你的初始判断、AI 的解释、本人核验后的修正。
问题驱动协议
不以「帮我总结本章」开场；改为提出一个可以比较、反驳或验证的问题。要求 AI 说明边界、给出反例，并接受你用教材和实验结果纠正它。
四个驱动问题
模型学习的是现实规律，还是历史数据留下的模式？
向 AI 追问
让 AI 区分相关性、因果性和历史偏差，并各给一个金融例子。
本人验证
指出合成样本中的特征、标签和模型分数分别是什么。
提高阈值为什么会同时改变风险与可得性？
向 AI 追问
让 AI 用误放和误拒解释两类错误的成本由谁承担。
本人验证
比较三个阈值，记录批准人数、误放、误拒，而不是只看准确率。
替代数据更丰富，为什么不一定更公平？
向 AI 追问
让 AI 分析数据来源、代理变量、同意、代表性和用途漂移。
本人验证
删除一个可疑特征，说明你为什么不愿让模型使用它。
聊天机器人回答流畅，为什么仍可能不可靠？
向 AI 追问
让 AI 区分语言流畅、事实正确、来源可靠和适合个人四个层次。
本人验证
要求 AI 给出来源与反例，并用教材或官方材料核对一条主张。
建议完成五轮对话
第 0 轮｜先预测：阈值提高后误放和误拒会怎样变化。
第 1 轮｜让 AI 解释特征、标签、训练、推断，不接受只给定义。
第 2 轮｜让 AI 扮演受误拒用户和风险管理者，呈现利益冲突。
第 3 轮｜在站内实验比较三个阈值，用结果检验自己的预测。
第 4 轮｜写出模型不能决定的事项和必须进入人工复核的条件。
写进报告的不是聊天全文
只保留与学习有关的关键节点：初始答案、AI 的关键建议、反例或边界、本人验证证据、最后修正。不要另交 AI 聊天记录表。
05
让 AI 一步一步带你做
Prompt scaffold使用方式
先把提示词交给 AI；每完成一步就把真实结果贴回去。不要让 AI 一次倾倒整套答案，也不要把建议写成已经验证的事实。
我是一名大一学生，要理解风控模型阈值。请使用完全合成的小样本，一次只问一个问题，帮助我区分特征、标签、训练和推断；再让我比较两个阈值下的误放与误拒。不要把模型分数描述成事实或保证，并提醒我检查偏差、隐私和人工复核。
06
实验 5：调节合成风控模型的决策阈值
Browser micro-lab操作步骤
查看合成样本的分数和真实结果。
设定阈值并记录批准人数。
识别误放与误拒，解释两者成本。
比较至少三个阈值。
提出数据、模型和人工复核三方面改进。
可展示证据
三个阈值结果误放与误拒解释一项偏差或隐私风险人工复核条件模型卡片
常见坑
- 把分数当成事实
- 只追求准确率
- 使用真实个人征信数据
- 把相关性说成因果关系
合成风控阈值实验
分数代表示例模型估计的偿付可能，绝不是事实或保证。
60 分
批准人数0
误放0
误拒0
| 样本 | 模型分数 | 真实结果 | 本次决策 |
|---|---|---|---|
| S01 | 82 | 按期 | |
| S02 | 77 | 按期 | |
| S03 | 71 | 违约 | |
| S04 | 68 | 按期 | |
| S05 | 64 | 按期 | |
| S06 | 59 | 违约 | |
| S07 | 56 | 按期 | |
| S08 | 51 | 违约 | |
| S09 | 46 | 违约 | |
| S10 | 42 | 按期 | |
| S11 | 35 | 违约 | |
| S12 | 28 | 违约 |
不要使用真实个人数据
本实验只讨论阈值与错误方向。真实风控还需要数据治理、公平检查、模型验证、合规审查和人工复核。
07
只交一份实验报告
One report本页报告截止W10 周二 24:00
按时提交同一份飞书报告；W10 周三进入评阅，W10 周四课堂展示、复现并接受随机拷问。
建议结构
- 本周目标与实际完成情况
- 电脑环境、文件与数据来源
- 编号步骤、真实结果和错误记录
- AI 建议、本人验证和修正
- 核心概念卡与课堂拷问准备
- 结论、限制与下一步
模板仅供参考
不要求照抄固定目录。可以删减、合并、重排或自建结构；只要真实过程、证据、AI 参与、本人验证、概念理解、限制与隐私说明清楚即可。
08
下次课堂核验与随机拷问
Live verification打开 · 共享飞书报告
30 秒说明目标与完成度
复现 · 现场操作关键步骤
从本人电脑重新得到结果
展示 · 解释证据与踩坑
说明哪里曾失败、怎样修正
拷问 · 脱离屏幕答概念
随机解释术语和关系
旁听 · 同学提问
提出具体、可检验的问题
不看电脑手机，你能回答吗？
训练和推断发生在同一批数据上吗？
阈值提高为什么既可能减少风险，也可能伤害用户？
模型准确率高是否意味着每个人都被公平对待？
替代数据为什么既有价值又有风险？
聊天机器人回答流畅是否等于答案可靠？
09
📋 本周课堂积分
Weekly points积分时间不要看错：这里列的是本页实验报告的积分项目；实际记录时间为 W10 周四 课堂核验，不是在 W09 课堂提前计算。
✅ 考勤
+0～3出勤 +3；迟到 +2；早退 +2；请假 +1；旷课 +0。
💻 复现
+0 / +1现场成功复现实验 +1；未能复现 +0。
🚀 拓展
+0～2无拓展 +0；有拓展 +1；多拓展 +2。
🖥️ 展示
+0 / +3课堂自愿共享屏幕展示 +3。
🥇 首讲
+0 / +1每节课堂最先自愿开讲的前 3 人 +1。
💡 提问
+0 / +0.5认真旁听并提出被采纳的好问题 +0.5。
🔍 拷问
−1～+2空心代工 −1；一知半解 +1；融会贯通 +2。
🤝 双分
双方 +1仅凭文档现场复现成功，作者与复现者都 +1。
🏆 精选
+0 / +3最佳文档进入知识库，获得席位、署名与 +3。
本页报告在 W10 周四 按以上各项记录积分。积分是过程激励，不设固定满分。
10
自由拓展与下一步
Explore further如果还有余力
- 制作模型卡
- 比较规则与机器学习
- 设计一条 RegTech 监控规则
报告收尾三问
- 我亲手完成并验证了什么？
- 我仍然不能解释什么？
- 如果重做一次，我会先改变哪一步？