[BUG] - 暗黑模式下保存的追问对话无法看清

### 📋 提交前确认

- [x] 我已给本仓库点了 ⭐ Star
- [x] 我已阅读 [Wiki 文档](https://steven-jianhao-li.github.io/zotero-AI-Butler/)，了解功能的正确使用方式
- [x] 我已搜索 [现有 Issues](https://github.com/steven-jianhao-li/zotero-AI-Butler/issues)，确认没有相似的问题
- [x] 我正在使用 [最新版本](https://github.com/steven-jianhao-li/zotero-AI-Butler/releases) 的 AI 管家插件

### 🤝 跟进承诺

- [x] 我会持续跟进此 Issue，并在作者需要时提供补充信息或配合调试

### 🔑 API 相关问题验证

- [x] 我已确认 API Key 有效，并已在第三方工具（如 Cherry Studio）中成功配置使用相同的 API Key

### 🔄 问题可复现性

每次都会出现（稳定复现）

### 🐞 Bug 描述

作者您好，感谢您的插件。我遇到一个小问题，当用后续追问保存后在黑暗模式下会无法看清楚。如图所示。

<img width="632" height="1272" alt="Image" src="https://github.com/user-attachments/assets/faed5477-32ac-48b5-bd6b-d1fcf66b773d" />

同时， 若对话完关闭管家界面后再重新打开，有些条目可能会出现无法显示之前对话。

### 👣 重现步骤

开启保存追问对话，保存的内容在黑暗模式下无法看清，在light模式可以。

### 📚 Zotero 版本

8.0.1

### 🤖 Zotero AI Butler 版本

3.2.0

### 🤔 期望的结果

_No response_

### 😲 实际的结果

应该是由于带某些格式保存的导致的。

### 📄 Error Console 日志（必填）

```shell
(4)(+0000004): INSERT OR REPLACE INTO syncCache (libraryID, key, syncObjectTypeID, version, data) VALUES (?, ?, ?, ?, ?) [1, '5CKA9A2K', 3, 123842, '{"key":"5CKA9A2K","version":123842,"library":{"type":"user","id":6764599,"name":"kdqiu35","links":{"alternate":{"href":"https://www.zotero.org/kdqiu35","type":"text/html"}}},"links":{"self":{"href":"https://api.zotero.org/users/6764599/items/5CKA9A2K","type":"application/json"},"alternate":{"href":"https://www.zotero.org/kdqiu35/items/5CKA9A2K","type":"text/html"},"up":{"href":"https://api.zotero.org/users/6764599/items/2GJF2BDS","type":"application/json"}},"meta":{"numChildren":0},"data":{"key":"5CKA9A2K","version":123842,"parentItem":"2GJF2BDS","itemType":"note","note":"<div data-schema-version=\"9\"><h2>AI 管家 - 后续追问 - Unboxing Engagement in YouTube Influencer Videos: An Attention-Based Approach</h2>\n👤 用户: 请详细阐述本文提到的engagement\n🤖 AI管家: \n好的，作为您的学术助理，我将详细阐述这篇论文中提到的“Engagement”（用户粘性/参与度）概念。 这篇题为《Unboxing Engagement in YouTube Influencer Videos: An Attention-Based Approach》的论文，对“Engagement”进行了深入且创新的探讨。作者们认为，过去的研究往往将Engagement视为一个单一、线性的指标（如点赞、评论、分享的简单加总），而未能充分探究不同类型Engagement之间的差异。为了解决这一问题，他们提出了一个基于心理学理论的、更加细分的Engagement框架。\n<h3>1. Engagement的理论基础：双系统理论</h3>\n论文的核心创新之一是借鉴了诺贝尔经济学奖得主丹尼尔·卡尼曼（Daniel Kahneman）的双系统思维理论 (Dual-System Framework of Thinking) 来解构Engagement。该理论将人类思维分为两个系统：\n<ul>\n<li>\n系统I (System I)：直觉、自动、快速且不费力的思维过程。\n</li>\n<li>\n系统II (System II)：审慎、有意识、缓慢且需要付出努力的思维过程。 作者将此理论应用到YouTube视频的观众互动行为上，从而将Engagement划分为两种主要类型：\n</li>\n</ul>\n<h4>a. 浅层参与 (Shallow Engagement) - 对应系统I</h4>\n<ul>\n<li>\n定义：这是一种自动、直觉性的反应，需要很少的认知努力，几乎没有社交后果。\n</li>\n<li>\n具体指标：在YouTube上，这主要通过点赞 (Likes) 和 不喜欢 (Dislikes) 来衡量。用户只需简单点击一下，这个行为不会在他们的YouTube时间线上公开展示，也不会暴露他们的个人身份（除了在评论区）。\n</li>\n<li>\n特点：快速、低成本、低风险。\n</li>\n</ul>\n<h4>b. 深层参与 (Deep Engagement) - 对应系统II</h4>\n<ul>\n<li>\n定义：这是一种需要更多思考和努力、更审慎的反应，通常会带来潜在的社交后果。\n</li>\n<li>\n具体指标：主要通过评论 (Comments) 来衡量。写评论需要用户投入更多的时间和精力来构思内容，并且评论会以用户的名义公开发布，可能会引发社交互动和评价。\n</li>\n<li>\n特点：深思熟虑、高成本、高风险。\n</li>\n</ul>\n<h3>2. Engagement的测量维度：水平与情感</h3>\n在区分了浅层和深层参与之后，论文进一步从“水平 (Level)”和“情感 (Sentiment)”两个维度来构建具体的测量指标，最终形成了四个独特的Engagement结果变量。\n<table>\n<tbody>\n<tr>\n<th>\n维度\n</th>\n<th>\nEngagement类型\n</th>\n<th>\n具体指标名称\n</th>\n<th>\n计算公式\n</th>\n<th>\n衡量内容\n</th>\n</tr>\n<tr>\n<td>\n水平 (Level)\n</td>\n<td>\n深层 (Deep)\n</td>\n<td>\nCommentability (可评论性)\n</td>\n<td>\n<code>(#评论数) / (#观看次数)</code>\n</td>\n<td>\n衡量视频引发观众进行深思熟虑反应的程度。\n</td>\n</tr>\n<tr>\n<td>\n水平 (Level)\n</td>\n<td>\n浅层 (Shallow)\n</td>\n<td>\nThumbsability (可点赞/踩性)\n</td>\n<td>\n<code>(#点赞数 + #不喜欢数) / (#观看次数)</code>\n</td>\n<td>\n衡量视频引发观众进行直觉性反应的程度。\n</td>\n</tr>\n<tr>\n<td>\n情感 (Sentiment)\n</td>\n<td>\n深层 (Deep)\n</td>\n<td>\nLoveability (可爱度/评论情感)\n</td>\n<td>\n通过分析评论内容的情感（正面或负面）来衡量。\n</td>\n<td>\n衡量观众在深层参与中所表达的情感倾向（例如，评论是赞扬还是批评）。\n</td>\n</tr>\n<tr>\n<td>\n情感 (Sentiment)\n</td>\n<td>\n浅层 (Shallow)\n</td>\n<td>\nLikeability (可喜欢性)\n</td>\n<td>\n<code>(#点赞数) / (#不喜欢数)</code>\n</td>\n<td>\n衡量观众在直觉反应中的情感倾向（是倾向于喜欢还是不喜欢）。\n</td>\n</tr>\n<tr>\n<td>\n关键点：\n</td>\n<td>\n\n</td>\n<td>\n\n</td>\n<td>\n\n</td>\n<td>\n\n</td>\n</tr>\n</tbody>\n</table>\n<ul>\n<li>\n标准化处理：所有“水平”指标都除以了观看次数（#views），以消除视频流行度本身带来的影响，从而更纯粹地衡量视频内容引发参与的能力。\n</li>\n<li>\n对数变换：由于这些比率数据呈指数分布，作者对它们进行了对数变换以满足后续统计模型的要求。\n</li>\n<li>\n独特构念：通过相关性分析和主成分分析（PCA），作者证明了这四个指标各自捕捉了Engagement的不同方面，它们之间的相关性不高，证实了这种细分的有效性。\n</li>\n</ul>\n<h3>3. Engagement在研究框架中的作用</h3>\n在论文的整体研究框架中，Engagement是核心的结果变量 (Outcome Variable)。作者们旨在探究视频中的各种非结构化数据特征（如文本、音频、图像中的具体元素）是如何差异化地影响这四种不同的Engagement指标的。 例如，论文的研究发现（如Table 8总结）：\n<ul>\n<li>\n在视频开头30秒，文本特征（如品牌提及） 和 音频特征（如音乐） 主要与 深层参与的情感 (Loveability) 相关。\n</li>\n<li>\n而 图像特征（如人物、动物、包装商品） 则主要与 浅层参与的情感 (Likeability) 相关。 这个发现揭示了不同类型的视频内容刺激了观众不同层次的思维系统，从而产生了不同类型的互动行为。这对于网红和品牌方来说具有极高的实践价值，因为他们可以根据自己想要达成的Engagement目标（例如，是想要引发热烈讨论，还是仅仅获得更多点赞）来优化视频内容的设计。\n</li>\n</ul>\n<h3>总结</h3>\n总而言之，本文对“Engagement”的阐述具有以下几个核心特点：\n<ol>\n<li>\n理论驱动：基于卡尼曼的双系统理论，将Engagement创新地划分为“浅层”和“深层”，使其具有坚实的理论基础。\n</li>\n<li>\n多维测量：从“水平”和“情感”两个维度构建了四个具体的、相对独立的量化指标（Thumbsability, Commentability, Likeability, Loveability）。\n</li>\n<li>\n核心地位：作为研究的因变量，用于检验不同视频特征（刺激物）如何通过影响模型的“注意力”来最终影响不同类型的用户参与。\n</li>\n<li>\n实践意义：这种细致的划分帮助揭示了视频内容与观众互动行为之间更深层次的关系，为内容创作者提供了更精确的优化方向。 通过这种方式，论文“解包”（Unboxing）了传统意义上被视为“黑箱”的Engagement概念，提供了更精细、更具洞察力的分析视角。\n</li>\n</ol>\n保存时间: 2026/1/29 20:22:00\n👤 用户: 本文的核心点在哪里？\n🤖 AI管家: \n好的，我已阅读了您提供的学术论文《Unboxing Engagement in YouTube Influencer Videos: An Attention-Based Approach》。本文的核心要点可以总结为以下几个方面：\n<h3>核心目标</h3>\n本文旨在解决一个核心问题：如何理解和解释深度学习模型（通常被视为“黑箱”）在分析YouTube网红视频时，其视频特征（文本、音频、图像）与用户参与度之间的关系。\n<h3>核心贡献与方法</h3>\n为了实现这一目标，作者提出了一个“可解释的深度学习框架”（Interpretable Deep Learning Framework），其核心创新在于：\n<ol>\n<li>\n提出两步解释法 (Two-Step Approach)：\n<ul>\n<li>\n作者借鉴了广告学中的视觉注意力理论，并将其应用于模型注意力。他们认为，一个视频特征要对用户参与度产生影响，必须同时满足两个条件：1) 模型在预测时“注意”到了这个特征；2) 这个特征本身与最终的预测结果（参与度）相关。\n</li>\n<li>\n通过这个两步法，框架能够剔除“虚假关联”（spurious associations），例如模型注意到了某个特征但该特征与结果无关，或者某个特征与结果相关但模型并未注意到它。这大大提高了识别出的关系的可靠性，为后续的因果推断（如田野实验）筛选出了更小、更可能有效的假设集合。\n</li>\n</ul>\n</li>\n<li>\n区分不同层次的用户参与度：\n<ul>\n<li>\n论文没有将“参与度”视为单一指标（如点赞、评论、分享的总和），而是借鉴了诺贝尔奖得主丹尼尔·卡尼曼的双系统理论，将其划分为：\n<ul>\n<li>\n浅层参与度 (Shallow Engagement / System I)：指那些快速、直觉、不费力的行为，如点赞/点踩。\n</li>\n<li>\n深层参与度 (Deep Engagement / System II)：指那些需要更多思考、更审慎的行为，如发表评论。\n</li>\n</ul>\n</li>\n<li>\n此外，论文还进一步区分了参与度的水平 (Level) 和 情绪 (Sentiment)，构建了四个独特的参与度指标，从而能够更精细地分析不同视频特征对不同类型参与度的差异化影响。\n</li>\n</ul>\n</li>\n<li>\n应用前沿的深度学习模型：\n<ul>\n<li>\n论文对视频的非结构化数据（文本、音频、图像）分别使用了先进的、预训练的深度学习模型（如BERT, YAMNet, VGG-16）。\n</li>\n<li>\n这种方法既保证了强大的预测能力（因为模型处理的是原始数据而非手动提取的特征），又通过其提出的解释框架打开了模型的“黑箱”。\n</li>\n</ul>\n</li>\n</ol>\n<h3>核心发现</h3>\n通过将上述框架应用于1620个YouTube网红视频，论文得出了一些关键且新颖的发现，尤其是在视频的开头30秒：\n<ol>\n<li>\n不同特征影响不同类型的参与度：\n<ul>\n<li>\n文本特征（如提及品牌名称）和音频特征（如背景音乐）主要与深层参与度的情绪（即评论的情绪，论文中称为 Loveability）相关。例如，在视频开头提及品牌会降低深层参与度情绪，而播放音乐则会提高深层参与度情绪。\n</li>\n<li>\n图像特征（如人物、动物或包装商品的图像大小）则主要与浅层参与度的情绪（即点赞/点踩比率，论文中称为 Likeability）相关。例如，增加人物或动物图像的尺寸会提高点赞可能性，而增加包装商品的图像尺寸则会降低点赞可能性。\n</li>\n</ul>\n</li>\n<li>\n澄清了以往研究中的模糊关系：\n<ul>\n<li>\n之前的研究对于“提及品牌”对参与度的影响有矛盾的结论。本文明确指出，它主要负面影响的是“深层参与度情绪”，而不是其他类型的参与度。\n</li>\n</ul>\n</li>\n</ol>\n<h3>总结</h3>\n总而言之，本文的核心在于创建并验证了一个新颖的、可解释的深度学习框架，该框架能够有效揭示非结构化视频数据中的具体特征如何差异化地影响不同类型的用户参与度。它不仅在方法论上为“打开”机器学习黑箱提供了实用工具，还在实践上为网红和品牌方如何优化视频内容以获得期望的用户参与度（例如，是想要更多点赞还是更积极的评论）提供了具体的、数据驱动的建议。\n保存时间: 2026/1/29 20:44:03\n</div>","tags":[{"tag":"AI-Butler-Chat"}],"relations":{},"dateAdded":"2026-01-29T12:20:07Z","dateModified":"2026-01-29T12:44:03Z"}}']
```

### 📷 截图 / 视频

_No response_

### 💡 其他上下文

_No response_

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

[BUG] - 暗黑模式下保存的追问对话无法看清 #193

📋 提交前确认

🤝 跟进承诺

🔑 API 相关问题验证

🔄 问题可复现性

🐞 Bug 描述

👣 重现步骤

📚 Zotero 版本

🤖 Zotero AI Butler 版本

🤔 期望的结果

😲 实际的结果

📄 Error Console 日志（必填）

📷 截图 / 视频

💡 其他上下文

Metadata

Assignees

Labels

Projects

Milestone

Relationships

Development

[BUG] - 暗黑模式下保存的追问对话无法看清 #193

Description

📋 提交前确认

🤝 跟进承诺

🔑 API 相关问题验证

🔄 问题可复现性

🐞 Bug 描述

👣 重现步骤

📚 Zotero 版本

🤖 Zotero AI Butler 版本

🤔 期望的结果

😲 实际的结果

📄 Error Console 日志（必填）

📷 截图 / 视频

💡 其他上下文

Metadata

Metadata

Assignees

Labels

Projects

Milestone

Relationships

Development

Issue actions