Add the natural-coding definition files with single-pass convergence

Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>

docs/methodology.md

@@ -0,0 +1,123 @@
+# 方法細節
+
+（全文方法節底稿。演算法在執行前寫定；任何修訂記入
+`decision-log.md`。定義檔全文見 `prompts/`，執行紀錄見
+`runs/`。）
+
+## 自然編碼管線總覽
+
+四步驟：自由標註（tag，兩次進池）→ 自然收斂（merge，
+單次）→ 強制收斂（cap，單次）→ 全量編碼（code，2+1），
+另設「女性力量」單目標篩選（screen，2+1）作黃金標準取樣
+的補漏網。歌詞只出現在 tag、code、screen 與其仲裁步驟；
+merge、cap 不接觸歌詞。設計原則見 `research-plan.md`；
+本檔記載可重現的演算法細節。
+
+## 詞彙表建構（merge、cap）——單次記錄性程序
+
+merge 與 cap 各以單次執行完成，執行內自行為各組命名，
+輸出具名分組（組名 → 成員詞）。不做重複執行與仲裁。
+
+- **定位**：詞彙表是研究的儀器，不是量測。詞彙表凍結
+  入庫後，下游全部量測（編碼 vs 黃金標準）以同一把尺
+  進行，內部一致；建構過程的抽樣變異屬「揭露的儀器
+  選擇」，不污染量測。此與質性研究慣行一致——codebook
+  建構本為單次的詮釋程序，信度檢驗施於編碼應用層。
+- **取捨紀錄**：曾設計逐對仲裁鏈（共識塊、分歧塊對三票
+  多數、命名 2+1；完整版本保存於分支 `tag-algo-13`）。
+  棄用理由：逐對多數決雖降低單對變異，但遞移閉包會放大
+  結構層變異，淨縮減未經證實；其複雜度成本卻是確定的；
+  且縮減的是儀器變異——對論文主張無關緊要的量。
+- **確定性驗證**（違規即依協定修訂定義檔重跑）：輸出須
+  為輸入詞集的完整分割（缺詞、多詞、重複即失敗）；組名
+  唯一且符合格式；cap 組數 ≤ 50。
+- **收斂軌跡**：原始關鍵字 → merge 組名 → cap 組名，
+  兩份執行輸出本身即完整記錄。
+
+## 編碼步驟（code、screen）的 2+1 比對與仲裁
+
+- **code**：逐首比對兩次執行的標籤集合（引述不參與
+  比對）。兩次皆有的標籤為共識保留、兩次皆無為共識
+  不標；單邊標籤送仲裁（`01-04-02-code-arb.md`）——仲裁者
+  看歌詞全文與該標籤的引述（不含執行別），裁決保留者
+  附仲裁者自己的引述，剔除者不列。剔除集合＝送裁鍵減
+  輸出鍵，由程式推得。
+- **screen**：輸出即引述陣列，非空＝有、空＝無。僅
+  「一有一無」的歌送仲裁（`02-01-02-screen-arb.md`），
+  輸入為歌詞加主張「有」方的引述（不記名），輸出同為
+  引述陣列。
+- 仲裁者的引述可能與原引述不同：仲裁是對歌詞的重新
+  判讀，其引述是該裁決自身的依據，非轉抄。
+- 送入仲裁的標籤即模型自身不穩定的邊界判斷，其裁決為
+  單次記錄性決定，不宣稱可再生；可重現性依計畫定義為
+  「程序透明＋可稽核」，裁決與其輸入全程歸檔。
+
+## 軌跡對映（診斷用）
+
+沿收斂軌跡的機械對映：原始關鍵字 → merge 組 → cap 組，
+純程式查表，決定性。以其結果與 code 直接編碼的差異率
+作為「收斂軌跡扭曲」的診斷量，不作主結果。
+
+## 全管線的交接契約
+
+每一步的輸出如何變成下一步的輸入，皆為確定性程序，規則
+明定如下：
+
+- **歌詞輸入檔（tag、code、screen 共用）**：
+  `export-llm-input` 自工作儲存產出，每筆
+  `{"id": "song-<ID>", "content": <歌詞>}`，依歌曲 ID
+  升序。三個讀歌詞的步驟共用同一檔，SHA-256 記入各步
+  meta。
+- **tag → merge**：兩次執行的全部關鍵字取聯集、逐字串
+  精確去重、字典序排列成 JSON 陣列，即 merge 的輸入。
+  進池同時寫出處記錄（關鍵字 →（執行別，歌曲 ID）
+  清單），供軌跡對映回到歌曲；出處記錄不進任何 LLM
+  輸入。
+- **merge → cap**：merge 輸出的組名以字典序排成 JSON
+  陣列，即 cap 的輸入；原始關鍵字不下傳。
+- **cap → code 定義檔**：cap 輸出的組名以字典序逐行填入
+  `01-04-01-code.md` 的詞彙表節（逐字），檔案隨 git
+  commit 後方可執行——code 的定義檔因此自我完備，
+  論文附錄可直接引用。
+- **code 兩次執行 → code-arb**：逐首比對標籤集合
+  （鍵集合，引述不參與比對）；僅有分歧的歌入仲裁輸入
+  JSONL，依歌曲 ID 升序，每筆 `id` 沿用 `song-<ID>`、
+  `content` 為固定鍵序序列化的
+  `{"lyrics": …, "disagreements": …}`，disagreements
+  鍵按字典序。
+- **code 定案**：每首歌的最終標籤＝共識標籤 ∪ 仲裁保留
+  標籤，寫入逐首紀錄檔（歌依 ID 升序、標籤按字典序，
+  各標籤附其定案時的引述與來源層——共識或仲裁）。
+- **screen 兩次執行 → screen-arb**：僅「一有一無」的歌
+  入仲裁輸入 JSONL（依 ID 升序），`content` 為
+  `{"lyrics": …, "evidence": <肯定方引述>}`。
+- **screen 定案**：命中集合＝兩次皆有 ∪ 仲裁裁定有。
+- **女性力量候選集**：於 cap 詞彙表定案後、黃金標準
+  編碼開始前，由研究者指認詞彙表中屬「女性力量」概念
+  域的組（指認及理由記入決策日誌），候選集＝code 定案
+  標籤含該等組者 ∪ screen 命中者。
+- **序列化通則**：所有中間檔為 UTF-8 JSON，鍵序與元素
+  序皆依上列規則明定，無時間戳、無隨機成分；解析一律
+  偵測重複鍵，違規即失敗。JSONL 一律以換行字元（\n）
+  切行——歌詞含 U+0085 等控制字元時，
+  `str.splitlines()` 類的通用切行會截斷 JSON 字串
+  （實測踩中）。給定相同的 LLM 執行輸出，全部交接產物
+  逐位元組可再生。
+
+## 執行與稽核
+
+- 每一步驟以 `run-llm <定義檔> <輸入檔> <歸檔目錄>`
+  執行；2+1 步驟的兩次執行＝重現命令清單上的兩行命令，
+  各自歸檔（`runs/<定義檔名>/run1`、`run2`），仲裁為
+  獨立步驟、獨立歸檔；單次步驟（merge、cap）一行命令、
+  一份歸檔。
+- 進池、比對、裁決套用、對映皆為確定性程式（子命令），
+  其輸入輸出檔隨 runs/ 歸檔。
+- Batch API 的每筆請求自含全部脈絡且互不可見（平台
+  契約），歌與歌之間的獨立性由此成立；兩次執行的獨立
+  性由「兩次呼叫、兩個批次、兩份歸檔」的執行結構自明。
+
+## 映射分析方法
+
+（依 2026-07-30 決策，於看到結果前寫定；待黃金標準
+編碼展開前補入。）