# 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 三個步驟：步驟 1 自由標註（兩次執行進池）→ 步驟 2 詞彙表 建構（詞向量分群，確定性）→ 步驟 3 全量編碼（2+1）。歌詞 只出現在步驟 1 與步驟 3；步驟 2 完全不接觸歌詞，也不呼叫 LLM。設計原則見 `research-plan.md`；本檔記載可重現的 演算法細節。 編號的所指為**研究程序的工序**，不是定義檔：步驟 1 與 步驟 3 有定義檔（`prompts/`），步驟 2 沒有——它是單一 確定性計算，由 `cluster-keywords` 一個子命令完成。有無 定義檔的區別即「該步是否為 LLM 判斷」，由 `prompts/` 是 否存在同號檔案直接可見。 ## 步驟 2 詞彙表建構——詞向量分群 詞彙表由確定性程序產生，不經 LLM。完整分割（每個關鍵字 恰屬一組、不遺漏、不新增）由演算法結構保證，無須事後 驗證。 ### 進池 兩次標註執行的全部關鍵字取聯集、逐字串精確去重、字典序 排列。失敗與拒答的記錄跳過（其歌曲不貢獻關鍵字）；解析 時偵測重複鍵，違規即失敗。同時記出處（欄位 Keyword、 Run、Song，一列一筆出現，依三欄排序），供收斂軌跡分析； 出處記錄不進任何下游輸入。 ### 分群 - **嵌入**：`sentence-transformers/all-mpnet-base-v2` （釘定 revision），關鍵字的連字號先還原為空格再編碼， 輸出 768 維向量並 L2 正規化。 - **分群**：階層式聚合分群（Ward linkage），k=50。 向量既已正規化，歐氏距離與餘弦相似度單調對應，Ward 在保持語意距離的同時給出大小平衡的分割。 - **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。 - **取捨紀錄**：曾以 LLM 單發收斂（merge／cap 兩步） 實作本步，四種模型六次執行全部無法維持完整分割， 已棄用（詳見 `decision-log.md` 2026-08-05；棄用的 定義檔止於 git 歷史，見 `git log -- prompts/`）。 - **產物**：五份，前綴分別標示來源與結果。 `source-keywords.txt`（進池後的關鍵字，一行一個）與 `source-provenance.csv`（出處）記錄進來的是什麼； `result-keywords.txt`（組名，一行一個）與 `groups.csv`（欄位 Group、Keyword，一列一個成員） 記錄算出來的分割；`keywords-to-merge.json` （`{"keywords": [...]}`）是實際交給模型的碼，即組名 加上先驗主題詞。只有最後一份含研究者的介入。 - **可重現性**：同一輸入、同一釘定模型、同一參數逐次 重現。不同 CPU／BLAS 實作的浮點尾數差異可能使邊界 詞的歸屬翻動，屬已揭露的限制；論文所用碼表逐字 commit，引用單位為該份定案檔案。 ### women-power 的注入 定案詞彙表為 50 個分群組名再加上 `women-power` 一詞，共 51 個碼。`women-power` 是研究者任意決定的先驗主題（即本 論文的主題本身），不由資料產生，屬揭露的儀器介入。該詞 以常數寫在分群子命令內、隨定案碼表一併輸出，不經人手 編輯；分群明細 CSV 不含它，兩份產物因此各自誠實。 注入而非另設篩選軌的理由：讓研究者的主題詞與模型自己 收斂出的類別（分群已自行長出 `female-empowerment` 等組） 在同一份提示詞、同一個判斷體制下受檢，避免單目標提問 把該主題的顯著性人為抬高。兩者的落點差異本身即可報告 的結果。 ## 步驟 3 編碼的 2+1 比對與仲裁 - **步驟 3-1 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。 - **步驟 3-2 code-arb**：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。 - 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。 ## 女性力量候選集 候選集為兩類歌曲的合集：定案編碼含 `women-power` 者， 以及定案編碼含研究者指認之女性力量概念域分群組者。 指認於詞彙表定案後、黃金標準編碼開始前完成，指認清單 與理由記入決策日誌。 ## 軌跡對映（診斷用） 沿收斂軌跡的機械對映：原始關鍵字 →（出處記錄）歌曲、 原始關鍵字 →（分群）組，純程式查表，決定性。以其結果 與步驟 3 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（步驟 1）**：`export-llm-input` 自工作 儲存產出，每筆 `{"id": "song-", "content": <歌詞>}`， 依歌曲 ID 升序。步驟 3 的輸入由同一子命令、同一工作 儲存產出（見下），兩步的語料同一性由此成立；各步 輸入檔的 SHA-256 記入該步 meta。 - **步驟 1 → 2**：`cluster-keywords` 讀兩份執行歸檔的 `output.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），進池後直接分群，一次 產出上列五份檔案。 - **步驟 2 → 3 輸入檔**：`export-llm-input --extras <定案碼表>` 自工作儲存產出步驟 3 的輸入，每筆 `{"id": "song-", "content": <字串>}`，`content` 為 固定鍵序序列化的 `{"lyrics": …, "keywords": [...]}`， 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 3-1 兩次執行 → 3-2**：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-`、 `content` 為固定鍵序序列化的 `{"lyrics": …, "disagreements": …}`，disagreements 鍵按字典序。 - **步驟 3 定案**：每首歌的最終標籤為共識標籤加上仲裁 保留的標籤，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）。 - **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 CSV（CSV 依 RFC 4180，標題列字首大寫），機器交接檔採 JSON。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 - LLM 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/<步驟>/run1`、`run2`），仲裁為獨立 步驟、獨立歸檔。 - 確定性步驟（進池、分群、比對、裁決套用、對映）為 子命令，其輸入輸出檔同隨 `runs/` 歸檔；因無執行變異， 歸檔目錄下不分 `run` 層。 - 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。 - 每次 `run-llm` 執行的 token 用量與費用記入 `run-costs.md`，被取代的執行一併保留供總支出核算。 ## 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。）