Blinded sample size recalculation in randomized controlled trials with analysis of covariance¶
作者: Takumi Kanata, Yasuhiro Hagiwara, Koji Oba
来源: Biometrics
主题: 数理统计 / 假设检验
相关性: 5/10
机构绿灯: University of Tokyo(US News 前 50,免分进入精读)
链接: 期刊页 · arXiv
一、领域脉络与小综述¶
这个方向是什么¶
本文所处的子方向是临床试验设计中的样本量再计算(sample size recalculation),具体聚焦于:当最终分析采用协方差分析(ANCOVA)进行协变量调整时,如何在试验进行中(盲态下)利用中期数据重新估计所需样本量。其根本的统计问题是:在设计阶段,研究者往往难以准确预知结局与基线协变量之间的关联强度(即协变量能解释多少结局变异),而这一关联强度直接决定了协变量调整相对于未调整分析能带来多大的效率增益。若设计阶段高估了协变量的预测力,则按计划样本量可能功效不足;若低估,则可能过度招募受试者,浪费资源并延误试验。样本量再计算的核心目标是在不破坏盲态、不膨胀I类错误率的前提下,利用中期数据对 nuisance 参数(如结局方差、协变量-结局关联)进行估计,从而修正最终样本量。
该方向的成熟度:样本量再计算本身已有较长的研究历史(如 Gould 1995 提出的盲态方差再估计方法),但针对 ANCOVA 调整分析的盲态再计算方法相对较新,且现有方法大多依赖较强的分布假设(如多元正态性)。本文试图在极小的分布假设下解决这一问题,属于方法论的推进。
发展脉络(history)¶
奠基工作:
- Gould (1995) 提出了基于盲态数据的方差再估计方法,为后续盲态样本量再计算奠定了基础。本文在公式 (9) 中直接引用了其方差估计量(bσ²_Y = (Nτ−1)/(Nτ−2) × (9)),并指出当 Nτ→∞ 时该估计量收敛于真实方差。
- Yang and Tsiatis (2001) 证明了 ANCOVA 估计量在任意模型误设下仍是治疗效应的相合估计量(只要治疗分配独立于协变量),这为在宽松假设下使用 ANCOVA 提供了理论依据。本文的核心公式 (6) 正是建立在这一结果之上。
主要进展: - Zimmermann et al. (2018, 2020) 提出了针对 ANCOVA 模型的样本量计算与盲态再计算方法,但其推导假设结局与协变量的联合分布为多元正态。本文在引言中明确指出:"existing sample size recalculation methods assume that the joint distribution of the outcome and baseline covariates is multivariate normal, which is not always the case in practice." 此外,Zimmermann et al. (2020) 还发现,当调整多个协变量时(如 k=3),简单的再计算方法可能无法达到名义功效——这正是本文要解决的缺口之一。 - Wang et al. (2019) 证明了 ANCOVA 估计量的模型稳健方差估计量在简单随机化下是一致的(即使线性模型被任意误设),并给出了渐近相对效率(ARE)的精确表达式。本文公式 (6) 直接引用该结果,作为再计算方法的基础。 - Moore and van der Laan (2009) 和 Benkeser et al. (2021) 将协变量调整推广到二分类和生存结局,使用 TMLE 等半参数方法。本文在讨论部分承认这些方法对非连续结局的适用性,但指出其"calculation based on pooled data would be difficult"(即难以在盲态下实现)。
当前 frontier: - Van Lancker et al. (2025) 提出了信息自适应设计(information-adaptive design),在序贯监测中动态追踪协变量调整带来的信息增量,并据此决定是否提前终止或扩展试验。本文在引言中将其作为相关但不同的方法提及。 - Li et al. (2023) 提出利用外部数据估计协变量调整的效率增益,但本文指出该方法假设"the conditional distribution of the outcome given the baseline covariates used for adjustment is identical between the external data and the control arm of the RCT",这一假设在存在安慰剂效应时可能不成立。
本文的位置: 本文填补的缺口是:在极小的分布假设下(仅要求一阶矩和二阶矩存在),基于渐近相对效率进行盲态样本量再计算。与 Zimmermann et al. (2018, 2020) 相比,本文不要求多元正态性;与 Li et al. (2023) 相比,本文不依赖外部数据;与 Van Lancker et al. (2025) 相比,本文的方法更简单,不需要连续监测。本文的核心贡献在于将 Wang et al. (2019) 的 ARE 公式转化为一个可操作的再计算程序,并通过模拟验证其在非正态、模型误设下的稳健性。
子线索聚类¶
被引文献大致落在三条子线索上:
-
样本量再计算的经典方法(Gould 1995; Friede and Kieser 2011; Zimmermann et al. 2018, 2020):这条线索关注如何在试验中期利用盲态数据重新估计 nuisance 参数(方差、协变量关联),并据此调整样本量。其共同假设是结局-协变量联合分布已知(通常为多元正态),或至少方差结构可参数化。本文直接挑战了这条线索的分布假设。
-
协变量调整的稳健推断(Yang and Tsiatis 2001; Wang et al. 2019; Bartlett 2020; Wang et al. 2023):这条线索关注 ANCOVA 估计量在模型误设下的性质——相合性、方差估计的一致性、以及效率增益的精确刻画。本文的方法论基础完全建立在这条线索之上,特别是 Wang et al. (2019) 的 ARE 公式。
-
协变量调整的现代半参数方法(Moore and van der Laan 2009; Benkeser et al. 2021; Zhao et al. 2024):这条线索使用 TMLE 等半参数工具处理非连续结局、缺失数据等复杂情况。本文在讨论部分承认这些方法的优势,但指出其在盲态再计算场景下的局限性(难以基于合并数据计算效率增益)。
这个方向在追问的核心问题¶
-
如何在盲态下估计协变量调整的效率增益? 这是再计算方法的核心难点:若使用未盲数据估计治疗效应,会破坏试验的完整性;若仅使用合并数据,则无法直接估计治疗组内的方差。本文的解决方案是利用 ARE 公式 (6),将效率增益转化为可基于合并数据估计的量(残差方差)。
-
再计算方法对分布假设的稳健性如何? 现有方法(如 Zimmermann et al. 2020)在非正态或模型误设下可能失效。本文声称其方法在"arbitrary misspecification"下仍然有效,但这一声称需要仔细审视——公式 (6) 的 ARE 是渐近结果,在有限样本下是否仍然成立?
-
再计算是否会膨胀I类错误率? 这是所有自适应设计方法必须回答的问题。本文通过模拟验证了I类错误率控制,但缺乏理论证明——这是一个值得注意的缺口。
⚠️ 作者的 framing¶
这是作者的说法:作者将缺口 frame 为"现有再计算方法依赖多元正态假设,在实践中常不成立",因此需要一种"在极小分布假设下"的方法。作者强调其方法"accommodates arbitrary misspecification"且"does not require unblinding"。作者还暗示其方法比 Zimmermann et al. (2020) 更稳健——后者在调整多个协变量时无法达到名义功效。
值得研究者去查的问题: - 作者在引言中声称"existing sample size recalculation methods assume multivariate normality",但 Zimmermann et al. (2018) 的摘要并未明确提及正态性假设——需要核实这是否是作者的过度简化。 - 作者没有引用 Proschan (2005) 关于样本量再计算的综述性工作,也没有引用 Friede and Kieser (2011) 之外的其他盲态再计算方法(如基于条件功效的方法)。这些遗漏可能意味着作者有意框定了一个特定的比较基线。 - 作者在讨论部分承认"the proposed method was unable to achieve the nominal power"当 k≥10 时,但将原因归咎于"asymptotic approximation did not work well"——这实际上是一个有限样本问题,而非渐近问题。作者没有深入探讨这一现象的理论解释。
张力¶
未见明显对立引用。被引文献之间在"ANCOVA 估计量在模型误设下是否相合"这一核心问题上是一致的(Yang and Tsiatis 2001; Wang et al. 2019; Bartlett 2020 均支持相合性)。唯一的潜在张力在于:Zimmermann et al. (2020) 的模拟显示简单再计算方法在 k=3 时失效,而本文声称其方法在 k=5-7 时仍有效——但这可能是由于两篇文章使用了不同的再计算程序,而非根本性的理论矛盾。
二、最核心、最简单的例子 / 数学问题¶
第一步:符号、模型、可观测数据¶
符号清单(按本文第 2.1 节):
| 符号 | 含义 | 类型 |
|---|---|---|
| \(n\) | 总样本量 | 标量(设计参数) |
| \(i\) | 患者索引,\(i=1,\dots,n\) | 索引 |
| \(A_i\) | 治疗分配指示(1=试验组,0=对照组) | 随机变量 |
| \(W_i \in \mathbb{R}^k\) | \(k\) 维基线协变量向量 | 随机向量 |
| \(Y_i\) | 连续结局 | 随机变量 |
| \(Y_i^a\) | 潜在结局(\(a=0,1\)) | 潜在变量 |
| \(\Delta\) | 平均因果效应 \(E[Y^1 - Y^0]\) | 目标参数(estimand) |
| \(\beta_A\) | ANCOVA 模型中治疗效应的概率极限 | 参数(= \(\Delta\)) |
| \(\beta_W\) | 协变量系数的概率极限 | 参数(nuisance) |
| \(\sigma^2_Y\) | 结局方差(设计阶段预设) | 参数(nuisance,需预设) |
| \(\delta\) | 设计阶段预设的治疗效应 | 参数(需预设) |
| \(\alpha, 1-\beta\) | I类错误率、功效 | 设计参数 |
| \(N_{\text{unadj}}\) | 未调整分析所需样本量(公式 5) | 设计量 |
| \(N_\tau\) | 中期分析时的样本量,\(N_\tau = \tau N_{\text{unadj}}\) | 设计量 |
| \(N_{\text{rec}}\) | 再计算得到的样本量(公式 10) | 随机变量 |
| \(N_{\text{fin}}\) | 最终确定的样本量 | 随机变量 |
| \(N_{\text{max}}\) | 样本量上限 | 设计参数 |
模型:
-
治疗分配机制:\(P(A=1)=0.5\),且 \(A \perp\!\!\!\perp W\)(公式 1-2)。这是随机化试验的核心假设,保证了治疗分配与协变量独立。
-
ANCOVA 工作模型(公式 3):
\[E[Y|A,W] = \beta_0 + \beta_A A + \beta_W^\top W\]
注意:这是一个工作模型,不要求正确设定。实际数据生成过程可以是任意的,只要满足矩条件。
-
未调整模型(公式 4):
\[E[Y|A] = \alpha_0 + \alpha_A A\] -
可观测数据:\(\{(A_i, W_i, Y_i)\}_{i=1}^n\),i.i.d. 抽样。研究者能观测到治疗分配、协变量和结局,但不知道潜在结局 \(Y^0, Y^1\)。
-
识别假设:一致性(\(Y = A Y^1 + (1-A) Y^0\))+ 随机化(公式 1-2)⇒ \(\Delta = E[Y|A=1] - E[Y|A=0] = \beta_A = \alpha_A\)。
关键区分: - 可观测:\((A_i, W_i, Y_i)\) 的联合分布(通过样本估计) - 不可观测:潜在结局 \(Y^0, Y^1\);真实的结局-协变量联合分布(本文刻意不假设其形式) - 要估计的:\(\Delta\)(目标)、\(\text{Var}(Y - \beta_A A - \beta_W^\top W)\)(nuisance,用于再计算)
第二步:最小内核¶
核心问题:假设我们计划用 ANCOVA 做最终分析,设计阶段预设了效应 \(\delta\) 和方差 \(\sigma^2_Y\),算出了 \(N_{\text{unadj}}\)。试验进行到 \(N_\tau\) 时,我们想用这 \(N_\tau\) 个数据重新估计"实际需要多少样本"。
最小例子:\(k=1\),只有一个协变量 \(W\)(比如基线 CD4 计数),且假设 \(W\) 与结局 \(Y\) 的联合分布未知。
关键洞察:ANCOVA 相对于未调整分析的效率增益,完全由残差方差比决定:
这个比值越小,说明协变量越能解释结局变异,所需样本量就越少。注意:这个比值不依赖于治疗效应 \(\Delta\),只依赖于协变量与结局的关联强度。
再计算程序(本文公式 10 的简化版):
-
在中期分析时(\(N_\tau\) 个观测),用合并数据(不区分治疗组)拟合线性回归 \(Y \sim W\),得到残差方差估计:
\[\hat{\sigma}^2_{\text{res}} = \frac{1}{N_\tau - 1 - k} \sum_{i=1}^{N_\tau} (Y_i - \hat{\gamma}_0 - \hat{\gamma}_W W_i)^2\] -
用合并数据估计总方差 \(\hat{\sigma}^2_Y = \frac{1}{N_\tau - 1} \sum (Y_i - \bar{Y})^2\)。
-
计算 ARE 的估计:
\[\widehat{\text{ARE}} = \frac{\hat{\sigma}^2_{\text{res}} - \delta^2/4}{\min\{\sigma^2_Y, \hat{\sigma}^2_Y - \delta^2/4\}}\] -
再计算样本量:
\[\hat{N}_{\text{rec}} = N_{\text{unadj}} \times \widehat{\text{ARE}} + \frac{z^2_{1-\alpha}}{2}\]
为什么这个例子是"最小内核":
- 它抓住了问题的本质:再计算的核心是估计 ARE,而 ARE 只依赖于可合并数据估计的残差方差。
- 它展示了为什么盲态是可行的:公式 (8) 和 (9) 都只使用合并数据(不区分治疗组),因此不会泄露治疗效应信息。
- 它揭示了方法的关键假设:只需要一阶矩和二阶矩存在,不需要正态性。这正是本文相对于 Zimmermann et al. (2020) 的改进。
数学上最难的点:为什么公式 (8) 中的 \(\hat{\gamma}_W\) 收敛到 \(\beta_W\)(即 ANCOVA 模型中的协变量系数)?这需要证明在随机化下,合并回归的斜率与 ANCOVA 的斜率有相同的概率极限(本文附录 A.2 给出了证明)。这个结果保证了 ARE 的估计是相合的。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:在随机对照试验中,当最终分析采用 ANCOVA 进行协变量调整时,如何在盲态下、在极小的分布假设下(不要求多元正态性)进行样本量再计算,以修正设计阶段对协变量-结局关联的错误预设。
- 核心工具/方法:基于 ANCOVA 估计量与未调整估计量的渐近相对效率(ARE),将样本量再计算转化为对残差方差的估计——利用合并数据(不区分治疗组)拟合线性回归,得到残差方差的相合估计,再乘以未调整分析的样本量。
- 主要结论:所提出的方法在任意模型误设下(只要一阶矩和二阶矩存在)都能达到名义功效并控制I类错误率,在模拟中表现优于现有的简单再计算方法,尤其是在调整多个协变量时;应用于 ACTH 175 试验数据时,所需样本量最多可减少三分之一。
关键设定与假设¶
完整设定(在第二节最小记号基础上补充):
- 试验设计:平行两组、1:1 随机化、连续结局、 superiority 检验、单侧检验。
- 目标参数:\(\Delta = E[Y^1 - Y^0]\),即平均因果效应。
- 估计量:
- 未调整估计量 \(\hat{\alpha}_A\):两组结局均值之差。
- ANCOVA 估计量 \(\hat{\beta}_A\):线性回归 \(Y \sim A + W\) 中 \(A\) 的系数。
- 最终检验:基于 \(\hat{\beta}_A\) 的 Wald 检验,使用模型稳健方差估计量(即 sandwich estimator)。
关键假设:
- 随机化:\(P(A=1)=0.5\),\(A \perp\!\!\!\perp W\)(公式 1-2)。这是整个方法的基础,保证了治疗分配与协变量独立,从而 ANCOVA 估计量相合。
- 矩条件:\((W, Y)\) 的一阶矩和二阶矩存在。这是本文相对于正态假设的关键放松——不需要假设联合分布的具体形式。
- 工作模型:ANCOVA 模型 \(E[Y|A,W] = \beta_0 + \beta_A A + \beta_W^\top W\) 是工作模型,不要求正确设定。实际数据生成过程可以是任意的(如非线性、异方差),只要满足矩条件。
- 设计阶段预设:研究者预设效应 \(\delta\) 和方差 \(\sigma^2_Y\),用于计算初始样本量 \(N_{\text{unadj}}\)。再计算方法假设 \(\delta = \Delta\)(即预设效应正确),但允许 \(\sigma^2_Y\) 和协变量-结局关联被错误预设。
- 盲态:中期分析仅使用合并数据(不区分治疗组),因此不破坏盲态。
相比已有文献的放宽/强化: - 放宽:不要求多元正态性(相对于 Zimmermann et al. 2018, 2020);不要求外部数据(相对于 Li et al. 2023)。 - 强化:要求随机化比例严格为 1:1(公式 6 的 ARE 表达式依赖此假设);要求结局为连续型(无法直接推广到二分类或生存结局)。
主要结果¶
理论结果:
-
ARE 公式(公式 6):在随机化假设下,
\[\frac{\text{AVar}(\hat{\beta}_A)}{\text{AVar}(\hat{\alpha}_A)} = \frac{\text{Var}(Y - \beta_A A - \beta_W^\top W)}{\text{Var}(Y - \alpha_A A)}\]这一结果来自 Wang et al. (2019),是本文方法的理论基础。它表明 ANCOVA 的效率增益完全由残差方差比决定。 -
残差方差的相合估计(公式 8):在中期分析时,用合并数据拟合 \(Y \sim W\),得到的残差方差估计是 \(\text{Var}(Y - \beta_W^\top W)\) 的相合估计。关键在于 \(\hat{\gamma}_W \xrightarrow{p} \beta_W\)(附录 A.2 的证明),这保证了公式 (8) 的相合性。
-
再计算公式(公式 10):
\[\hat{N}_{\text{rec}} = N_{\text{unadj}} \times \frac{\sum_{i=1}^{N_\tau}(Y_i - \hat{\gamma}_0 - \hat{\gamma}_W^\top W_i)^2/(N_\tau - 1 - k) - \delta^2/4}{\min\{\sigma^2_Y, \sum_{i=1}^{N_\tau}(Y_i - \bar{Y})^2/(N_\tau - 1) - \delta^2/4\}} + \frac{z^2_{1-\alpha}}{2}\]其中分母的 \(\min\) 函数防止过度缩减样本量(当估计的 ARE 小于 1 时,即协变量反而降低了效率时,取未调整方差)。
模拟结果:
- 场景 (1)-(3)(简单分布):两种方法都达到名义功效,但本文方法在非正态协变量下更稳健。
- 场景 (4)(模拟 ACTH 175):简单再计算方法在调整 3 个以上协变量时无法达到名义功效(功效降至 0.75 左右),而本文方法在 k=5-7 时仍能达到约 0.80 的功效。
- I类错误率:两种方法都控制在 0.025 附近,没有膨胀。
- 样本量缩减:在 ACTH 175 数据中,调整所有 12 个协变量时,所需样本量从 146 降至约 100,减少约三分之一。
真实数据例子(ACTH 175): - 数据来源:AIDS Clinical Trials Group Protocol 175,2139 名 HIV 感染者,比较四种抗逆转录病毒方案。 - 本文选取其中两组(ZDV 单药 vs ZDV+didanosine 联合治疗),结局为 20±5 周 CD4 计数。 - 未调整分析所需样本量:146。 - 调整基线 CD4 计数后,再计算样本量降至 118;调整所有 12 个协变量后降至 100。 - 最终分析中,ANCOVA 估计的效应为 82.273(SE=25.836),p=0.001,与未调整分析结论一致。
证明路线与技术技巧¶
整体路线(以附录 A.1 和 A.2 为核心):
- 证明公式 (7)(方差分解):
- 从 \(\text{Var}(Y - \beta_A A - \beta_W^\top W)\) 出发,利用 \(A \perp\!\!\!\perp W\) 和 \(\beta_A = \text{Cov}(Y,A)/\text{Var}(A)\),将方差分解为 \(\text{Var}(Y - \beta_W^\top W) - \Delta^2/4\)。
-
关键步骤:利用 \(\text{Cov}(Y - \beta_W^\top W, A) = \text{Cov}(Y, A) = \beta_A \text{Var}(A) = \Delta/4\)(因为 \(\text{Var}(A) = 1/4\))。
-
证明 \(\hat{\gamma}_W \xrightarrow{p} \beta_W\)(附录 A.2):
- 利用随机化假设 \(A \perp\!\!\!\perp W\),证明合并回归的斜率与 ANCOVA 的斜率有相同的概率极限。
-
关键步骤:在随机化下,\(E[W A] = E[W] E[A]\),因此 ANCOVA 设计矩阵的分块结构使得 \(\beta_W\) 的估计与 \(\beta_A\) 的估计渐近独立。
-
再计算公式的推导:
- 从功效方程反解样本量:\(N = \frac{4(z_{1-\alpha} + z_{1-\beta})^2 \sigma^2_{\text{res}}}{\delta^2}\),其中 \(\sigma^2_{\text{res}}\) 是残差方差。
- 将 \(\sigma^2_{\text{res}}\) 替换为公式 (8) 的估计值,并加上 \(\min\) 函数防止过度缩减。
技术技巧: - 利用随机化简化分析:整个方法的核心技巧是将治疗分配视为随机且独立于协变量,这使得合并数据的回归分析可以无偏地估计 nuisance 参数,而不需要知道真实的结局生成机制。 - 渐近相对效率作为桥梁:通过 ARE 将"协变量调整的效率增益"转化为"残差方差比",从而将再计算问题简化为方差估计问题。 - \(\min\) 函数的保护作用:防止当协变量与结局关联很弱时(甚至负相关时),再计算样本量过度缩减导致功效不足。
🔎 结论是否比证明窄¶
需要指出的具体点:
-
"任意模型误设"的声称:作者在摘要和引言中声称方法"accommodates arbitrary misspecification",但这一声称仅基于公式 (6) 的渐近结果(来自 Wang et al. 2019)。在有限样本下,特别是当协变量数量接近中期样本量时(如 k=12, Nτ=66),渐近近似可能失效——作者在模拟中也观察到 k=12 时功效降至 0.75 以下,但将其归因于"asymptotic approximation did not work well"(第 5 节),而非理论上的失败。严格来说,作者只证明了渐近有效性,没有给出有限样本保证。
-
1:1 随机化的限制:公式 (6) 的 ARE 表达式依赖 \(\text{Var}(A) = 1/4\)(即 1:1 分配)。作者在讨论部分承认"if the allocation ratio is not 1:1, equation (6) is invalid",但没有给出非 1:1 情形的推广。结论的适用范围比摘要暗示的要窄。
-
连续结局的限制:方法仅适用于连续结局。作者在讨论部分提到 TMLE 可用于二分类和生存结局,但未给出具体的再计算方法。这是一个明确的未解决问题。
-
单次中期分析的假设:方法假设只进行一次中期分析。如果进行多次中期分析(如信息自适应设计),则需要考虑多重比较和样本量再计算的交互效应。作者在引言中提到了 Van Lancker et al. (2025) 的工作,但没有将其与自己的方法结合。
四、开放问题¶
以下问题均扎根于本文的具体语句,供研究者自行判断价值:
-
非 1:1 随机化的推广(扎根于第 5 节:"if the allocation ratio is not 1:1, equation (6) is invalid")。要推导非 1:1 情形下的 ARE 表达式,并验证再计算方法是否仍然有效。这是一个相对直接的推广,但需要重新推导公式 (6)-(10)。
-
多次中期分析的再计算方法(扎根于第 5 节对 Van Lancker et al. 2025 的引用)。如何将本文的再计算方法嵌入信息自适应设计的框架中?需要处理多次再计算之间的相关性,以及由此带来的 I 类错误率膨胀问题。
-
二分类和生存结局的推广(扎根于第 5 节:"the relative efficiency of the TMLE compared with the unadjusted estimator has also been discussed... its calculation based on pooled data would be difficult")。本文的方法基于 ANCOVA 的 ARE,而 TMLE 的 ARE 表达式更为复杂。能否在盲态下估计 TMLE 的效率增益?
-
有限样本性质的理论分析(扎根于第 5 节对 k≥10 时功效下降的解释)。作者将功效下降归因于渐近近似失效,但没有给出理论解释。是否存在一个"安全协变量数"的阈值(如 k 与 Nτ 的比例),超过该阈值再计算方法失效?这需要 Edgeworth 展开或高阶渐近分析。
-
最优中期分析时机的选择(扎根于第 4.2 节对 τ 的讨论)。作者发现 τ 对结果影响不大,但没有给出选择 τ 的准则。是否存在一个最优的 τ 值,使得再计算的均方误差最小?
提醒:要确认上述问题是否为真 gap,建议去读近 5 年发表在 Biometrics、Statistics in Medicine、Pharmaceutical Statistics 上关于样本量再计算的论文(特别是 Zimmermann 和 Friede 团队的工作),看他们是否已经解决了这些问题。如果多篇论文都指向同一个问题,那很可能是共识性的 gap;如果各论文给出的答案互相矛盾,那可能是一个更有意思的切入点。
Maintained by 陈星宇 · Homepage · Source on GitHub