计算 Cronbach's alpha 可衡量量表项内部一致性，其取值范围是 0 到 1，值越高表示一致性越好。具体公式为：alpha = k / (k - 1) * (1 - sum(sig_i^2) / sum(sig_T^2))，其中 k 是量表项数，sig_i^2 是每个项的方差，sig_T^2 是所有项分数总和的方差。

ItemStudy 新增利用大语言模型判断，因之前语义判断有问题且不能用 ReverseItem 作判断，现调用大语言模型判断 item 对语义是否相反，将语义相反的 item 对 similarity 取负。在特定模型下选取两端测试，正 correlation 区在现有样例中全部维持原判，负 correlation 区误判率约 0.325。此方法不能很好解决负 correlation 问题，需进一步研究。

这篇周报主要介绍了大语言模型及其数据准备、内容和网站的相关工作。大语言模型方面，已完成私有部署和优化，并新增了 DeepSeek 模型。内容方面，已部署 rss 心理学订阅，获取了一批新量表。网站方面，构思了优化量表导入 json 的计划。

本周，心尺AIRA进行了更新和调整。主要变化包括更新了后端AI的知识库获取能力，并改变了回答模式以更接近心理学家的解读方式。文章强调心理测量不应仅基于测试结果与人群数据的对照，还应考虑个体的体验和文化差异。此外，介绍了新的API接口用于搜索相关论文和订阅心理学期刊的RSS推送，以便持续更新知识库。这些改进旨在提供更准确、相关的心理学信息，并通过解释和建议帮助用户理解自己的心理状态及如何改善。

作者回顾了大学期间处理大量学术论文的经历，从最初依赖传统方法如Zotero和翻译工具，到后来利用AI辅助阅读。然而，现有AI工具虽提升效率，却可能削弱独立思考，因为它们预设重点，限制了学者自主分析。为此，作者与朋友开发了文枢学术，旨在平衡效率与批判性思维。该工具提供双语内容、结构化重整（如思维导图和精读目录），保留专业术语并优化阅读体验，同时支持图表和公式的准确呈现。它帮助用户在短时间内高效阅读文献，而不牺牲深度理解，未来将继续完善，打造一站式论文阅读工作流。