Repair the coding output with a reviewed correction table

Co-Authored-By: Claude Opus 5 (1M context) <noreply@anthropic.com>

docs/decision-log.md

@@ -554,3 +554,25 @@
   代價，換得人工判定時證據在手。版權一項先前寫得不準：
   這些引述早已隨三份執行歸檔 commit，寫入定案表不增加
   任何新的歌詞重製。
+
+## 2026-08-07
+
+- **計票前套用人工校定的更正表，並驗證標籤在詞彙表內**：
+  模型對定義檔的每一條明確要求都有非零的違規率，且
+  temperature=0 未消除之（量測見 `output-validation.md`）。
+  違規本身不是本研究的量測對象——模型的機率性屬方法層，
+  研究問題是編碼；而引述存在的目的是讓人看見編碼的文本
+  依據，一句在歌詞裏找不到的引述無法履行該目的。故凡
+  可辨識其正確文本者一律還原。
+  判準：**可據紀錄證明者才還原，僅依研究者判斷推知者
+  不還原。** 更正一律不自行組字——替代必為該首歌詞的
+  逐字子字串；標籤的改名須有同一筆紀錄的內證（模型於
+  同一份輸出並列了正確與錯誤的拼寫），否則刪去。依此，
+  跨行拼接與平行句混合共 13 筆指派無唯一來源，不予更正，
+  於定案表中呈現為 6 列引述無法逐字對回歌詞，據實保留。
+  更正表 936 列中，僅 13 筆 `keyword` 能改變票數，其餘
+  923 筆只改變呈現的證據。效果：詞彙表外的碼 13 筆歸零，
+  定案編碼 14,665 降為 14,664（`song-750` 的三票因拼寫
+  更正而合流），逐字可對回的引述由 43,098 升至 44,122。
+  更正表為外部參數而非寫死於程式——研究者的介入因此
+  出現在重現命令上，且逐列可審、可 diff。

docs/methodology.md

@@ -45,7 +45,8 @@
   組內一致性 0.41，成員橫跨籃球、海灘、外星人綁架）；
   k 太大則人工難以通覽。定於 100，理由是實測顯示雜物櫃
   組於此始裂解為有主題的組，且編碼實測未見碼數過多的
-  副作用（詞彙表外的碼歸零、僅一個碼零使用）。
+  副作用——全量三次執行下 101 個碼全數用到；模型另行
+  造出的碼共 13 筆，佔 44,149 筆標籤指派的 0.03%。
 - **組名**：取 medoid——與該組中心（成員向量均值後
   正規化）餘弦相似度最高的成員詞。組名因此必為模型
   自己產出過的關鍵字，非任何人事後撰寫。已知限制：
@@ -148,18 +149,34 @@
   依歌曲 ID 升序。碼表以參數傳入而非填進定義檔——定義
   檔只規定任務形狀，換詞彙表、換演算法都不必改它。
 - **步驟 3 定案**：`tally-codings <執行歸檔 1> <執行歸檔
-  2> <執行歸檔 3> <輸出 CSV>` 讀三份執行歸檔的
-  `output.jsonl`，逐首取標籤鍵集合（引述不參與計票）。
-  某首歌的某個標籤於三份中出現至少兩次即寫出一列，產出
-  `results/codings.csv`，欄位 `Song`、`Artist Credit`、
-  `Keyword`、`Quote`，一列一個標籤。歌名與演出者名銜
-  逐首查工作儲存取得，故本子命令須在 `build-db` 之後
-  執行。`Quote` 收該標籤在計票中的各份執行所給的歌詞
-  引述：各份的引述串接後逐字去重，按 Unicode 碼位排序，
-  以單一 `|` 相接（三份執行彼此無先後主從之別，引述之序
-  取決於引述本身）。列序依印出的前三欄依序排：歌名、
-  演出者名銜、標籤，一律以 Unicode 碼位比較，換行為
-  CRLF（同專案其他 CSV）。
+  2> <執行歸檔 3> <輸出 CSV> --corrections <更正表>
+  --valid-keywords <合法碼清單>` 讀三份執行歸檔的
+  `output.jsonl`，依序套用更正表、驗證所有標籤皆在合法碼
+  清單之內、計票。
+- **更正表**：`data/manual/coding-corrections.csv`，研究者
+  逐列校定的人工著作，欄位 `Song ID`、`Run`、`Type`、
+  `To Be Replaced`、`Correct Term`。`Type` 為 `keyword`
+  或 `evidence`，分別更正標籤與引述；`Correct Term` 為
+  替代字串，或 `**REMOVE**` 表示刪去該筆標籤指派（`keyword`）
+  或該句引述（`evidence`）。一筆 `evidence` 更正套用於該
+  首歌該次執行的所有出現處。兩個文字欄以兩字元 `\n` 表示
+  換行，故一列一行，純文字工具可逐列處理。表中任一列若
+  在資料中找不到對應者，即中止；校定的判準記於
+  `decision-log.md`。
+- **合法碼清單**：純文字、一行一個碼，自詞彙表產出：
+  `{ cat runs/02-cluster/result-keywords.txt; echo
+  women-power; } | sort`。
+- **定案表**：`results/codings.csv`，欄位 `Song`、
+  `Artist Credit`、`Keyword`、`Quote`，一列一個標籤。歌名
+  與演出者名銜逐首查工作儲存取得，故本子命令須在
+  `build-db` 之後執行。`Quote` 為該標籤在計票中各份執行
+  所引的歌詞行：各份的引述串接後逐字去重，按 Unicode
+  碼位排序，以單一 `|` 相接（三份執行彼此無先後主從之
+  別，引述之序取決於引述本身）；`Quote` 欄以兩字元 `\n`
+  表示換行，故一列一行，還原 `\n` 後即為該首歌歌詞的逐字
+  片段。列序依印出的前三欄依序排：歌名、演出者名銜、
+  標籤，一律以 Unicode 碼位比較，換行為 CRLF（同專案
+  其他 CSV）。
 - **序列化通則**：所有中間檔為 UTF-8，欄序、鍵序與元素
   序皆依上列規則明定，無時間戳、無隨機成分；JSON 解析
   一律偵測重複鍵，違規即失敗。人讀為主的產物採純文字或