研究计划书写作框架与范例（保研/考研复试通用）

> 数据来源：985升学通整理，依据各 985 院校研究生院公开模板。

一、研究计划书标准框架（5 部分，约 2000–4000 字）

第 1 部分：选题背景与意义（约 600 字）

1. 现实问题：研究要解决的实际问题（社会/产业/学科空白）

2. 理论价值：对现有理论的补充或修正

3. 应用前景：研究成果的潜在应用场景

4. 文献综述：对 5–10 篇核心文献的总结（必须具体到论文）

第 2 部分：研究现状与存在问题（约 800 字）

1. 国内研究现状：3–5 篇核心文献 + 简要评述

2. 国外研究现状：3–5 篇核心文献 + 简要评述

3. 现有方法局限性：客观指出当前 2–3 个方法的不足

4. 本研究切入点：在何处、如何创新（1 段总结）

第 3 部分：研究内容与方案（约 1000 字）

1. 研究目标：3–4 个具体目标

2. 研究内容：分 3–4 个子模块详细描述

3. 研究方法：每个子模块对应的方法（实验/理论/调研）

4. 技术路线：可视化流程图（建议用 mermaid）

第 4 部分：创新点与预期成果（约 400 字）

1. 创新点：1–3 个具体创新（方法 / 数据 / 应用层面）

2. 预期成果：论文、专利、系统、报告

3. 研究计划时间表：分阶段（一般 2–3 年/3 年）

第 5 部分：参考文献（约 15–30 篇）

格式按申请学校要求（GB/T 7714 / APA / IEEE），近 5 年文献占比 ≥ 60%。

二、AI 方向范例（1200 字精华版）

```

研究计划书：基于多模态大语言模型的开放领域对话情感一致性研究

一、选题背景与意义

随着大语言模型（LLM）在客服、教育、医疗等开放领域对话场景的规模化应用，

对话的情感一致性成为衡量用户体验的核心指标。然而当前主流 LLM（如 GPT-4、

Claude、文心一言）在长程多轮对话中频繁出现情感漂移——前后情感倾向矛盾、

对同一用户输入情感响应不一致。本研究拟构建融合显式情感信号与上下文约束的

多模态 LLM，提升开放领域对话的情感一致性与用户信任感。

二、研究现状与存在问题

现有对话情感建模方法可分为三类：① 基于情感词典的浅层规则（Ekman, 1999）；

② 基于 LSTM/BERT 的情感分类（Zhang et al., ACL 2023）；③ 基于 LLM 的零样本

情感推理（Liu et al., EMNLP 2024）。前两类依赖人工标注且难以建模长程依赖，

第三类受预训练偏见影响，情感一致性仍不足 60%（Mao et al., 2025）。本研究认为

需要在 LLM 预训练阶段注入情感一致性约束信号，并设计多模态对齐机制。

三、研究内容与方案

1. 构建多模态情感一致性语料库（10万条，融合文本/表情/语音）

2. 提出情感-语义双通道 LLM 架构（SemEm-LLM），在 SFT 阶段融合情感一致性 loss

3. 设计基于 RLHF 的情感稳定性优化方法

4. 在真实客服数据集上验证，目标情感一致性 ≥ 85%

四、创新点与预期成果

1. 提出显式情感一致性约束的 LLM 训练方法

2. 构建公开多模态情感对话评测基准

3. 发表 CCF-A 类论文 2 篇，申请发明专利 1 项

五、参考文献（节选）

[1] Zhang Y, et al. Sentiment-Aware Dialogue Generation. ACL 2023.

[2] Liu P, et al. Zero-Shot Emotional Reasoning in LLMs. EMNLP 2024.

[3] Mao J, et al. Emotional Drift in Long Conversations. ACL 2025.

...

```

三、不同场景字数与重点

四、写作要点

1. 不要泛泛而谈：每个论点都要有具体论文支撑

2. 技术路线要画图：建议用 mermaid 在文末插入

3. 时间表要具体：分 6 个月一档，列出每月任务

4. 避免过度承诺：不要写"填补国内空白"，写"补充现有方法的不足"

5. 与申请导师方向对接：第 3 部分明确指出与导师课题组的衔接

五、常见错误

1. 文献综述只是堆砌，没有评述

2. 研究内容太空泛，缺少具体方法

3. 创新点写成"首创/填补空白"（夸张不实）

4. 时间表不切实际（一年发 5 篇 A 类）

5. 参考文献格式不统一

本文件由 985升学通整理，数据来源：清华/北大/复旦/浙大等院校研究生院公开模板、各学科保研复试真题。