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。

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。

文章介绍了在 ItemStudy 中添加了 reverse item 但仍为非线性，给出了相关链接和代码更新。提到对 xy 轴 pivot 尝试非线性相关，展示了 reverse 前后的结果图片。讨论认为区别不大，参数略变，绝对值大相关高，可能是语义“范围”问题，相似度高但相关性负很多的例子中套话结构占空间，被测变量内在相关性也有影响，还指出 item 的 reverse 是对被测变量而言的方向，并非语义方向。

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。