pop-fem-audit/docs/research-plan.md

研究步驟規劃

（2026-07-30 討論定案、2026-07-31 增補資料架構； 後續變更請記入 decision-log.md）

總體框架

• 研究敘事：全文為獨立完整的正式研究（2016–2025 十年語料 共 1000 筆榜單紀錄，凍結程序後全量執行），不與先導研究 做比較；全文數字一律以正式研究 結果為準。先導研究僅作為 codebook v0 與假說的內部來源， 記於決策日誌，不進入論文敘事。
• 執行原則：主會話只做討論；所有分析由 deterministic script 執行。LLM 步驟以 Python script 呼叫 Anthropic Messages API （個人 Console 帳號、Batch API 五折），定義檔逐字作為 system prompt。2+1 協定適用於語料層的逐首判斷（編碼）： 「同一定義檔獨立執行兩次＋一次仲裁」，仲裁只裁程式算出 的分歧。自由生成步驟（自由標註）兩次執行全數進池、不 仲裁——自由詞彙兩次輸出不共享比對單位，無物可裁。詞彙 表建構不經 LLM，改由詞向量嵌入＋確定性分群產生——詞彙 表是揭露的儀器選擇，非量測；信度檢驗施於編碼層（詳見 methodology.md）。仲裁或驗證結果不符預期則修訂定義檔 重跑該循環。
• 提示詞只定格式、不定語意：研究對象是通用 LLM 以其 網路語料知識背景所做的自然編碼，編碼結果本身是批判對象。 LLM 定義檔只規定任務形狀（輸入、數量範圍、輸出格式）， 不給任何主題的定義、判準或範例；研究者的深度判準只寫在 codebook（人工黃金標準用），兩者不互相滲透。LLM 編碼 一律要求逐標籤引述歌詞原句，作為檢視編碼偏差的依據。
• 模型：claude-sonnet-4-6、temperature=0、thinking 關閉 （此組合非決定性最低、成本合理）。條件 A/B 盲點實驗為 自足設計：同語料、同模型、僅提示不同，對照黃金標準。 其他工具性環節於階段 3 以校準樣本實測 Sonnet 4.6 vs Opus 5 的一致率後決定是否升級。
• 信度與效度分工：2+1 協定量測穩定性（intra-rater reliability，報告一致率／kappa）；效度靠理論 codebook 與 人工黃金標準終審。可重現性定義為「程序透明＋可稽核」： 公開定義檔、記錄 model ID 與執行時間、保存全部原始輸出。

資料儲存與模型（2026-07-31 定案）

• Commit 判準：凡能由「committed 的輸入＋committed 的程式」 決定性再生者，不 commit；凡不能者——源頭資料、外部世界的 捕捉（Wikidata 快照、LLM 原始輸出）、人工著作（核定、編碼） ——一律以文字格式 commit。格式跟著層次走，不跟著偏好走。
• 分層：
  • 源頭：原始榜單 CSV（進 git）。
  • 捕捉：Wikidata 快照 CSV、你的編碼 CSV、runs/ JSONL（皆進 git）；歌詞 .txt 快取 （版權因素 gitignored，為已知的稽核缺口）。
  • 工作儲存：SQLite 單檔（tools/instance/，generated、 不進 git），SQLAlchemy 2.0 typed ORM 定義 schema， 設定經 pydantic-settings（.env 供應 SQLALCHEMY_DATABASE_URL 與 ANTHROPIC_API_KEY）。 歌詞全文入 DB（不進 git 故無版權疑慮）。
  • 衍生：build-db 建置工作儲存的同一動作產出人讀報表 （data/derived/ 的 songs.csv、artists.csv，進 git）—— 與 SQLite 同交易語意，稽核鏈無中間空缺；不含資料庫 ID。
  • 報表：論文引用的最終表由 export 產出 CSV 進 results/。 衍生與報表為「可再生仍 commit」的兩個例外，理由：引用 穩定性（十年尺度的環境會腐化）、審稿人零門檻、撰稿期 數字變動可 diff、供人工檢視。
• 資料模型：songs（歌曲實體，含 lyrics nullable 欄位）、 chart_entries（1 歌—N 筆榜單紀錄）、artists（歌手實體： Wikidata QID、性別、型態、曲風、國籍）、song_artists （M—N 關聯：角色、署名順序）。領域不變量（恰 1000 筆榜單、 每歌至少一 primary 歌手等）檢查內建於 build-db，違規即 建置失敗。
• 歌手背景防火牆：歌手背景資料只進人工解讀階段（證據表、 論文討論），絕不進 LLM 輸入——LLM 分類的 user message 維持歌詞-only，避免光環偏誤污染條件 A/B 實驗。「女性力量」 候選歌曲的歌手另做深度背景（族裔以公開自我認同為準、音樂 場景），script 輔助、人工核定。
• Pilot 歌詞沿用（私人匯入，不進發布管線）：先導研究 捕捉檔（lyrics.json，684 首，2018–2025）以私人腳本 匯入歌詞快取——只取識別欄位與歌詞本文，以 (year, rank) 精確匹配 song_id。匯入工具不屬於專案交付物 （讀者拿不到其輸入），讀者的重現路徑純粹是 fetch-lyrics； 沿用之事實記於 data/captures/lyrics-provenance.csv（進 git）： source（原始 API）與 method （pilot-import / api-fetch / manual）兩層，取得日期不可考者 不假造，僅記可證上界。
• 子命令（pop-fem-audit-tools <cmd> 或 python -m pop_fem_audit_tools <cmd>）：run-llm、 build-db、fetch-lyrics、fetch-artists（皆已完成）、 export-llm-input（階段 2 前補上）；之後再加報表 export 與統計。

自然編碼管線（2026-08-05 定案）

主題編碼採三步驟管線，歌詞只出現在第 1、3 步；第 2 步是 確定性計算（詞向量分群），不接觸歌詞也不呼叫 LLM。

1. 自由標註（步驟 1）：逐首歌請模型標註 thematic keywords，附歌詞引述；提示零語意內容。獨立執行兩次， 兩次輸出全數進池（記錄執行別），不仲裁。粒度鎖定 thematic keywords：前導研究三粒度比較（keywords 過碎、 themes 過早抽象）之繼承，於執行前鎖定，防止事後擇優。
2. 詞彙表建構（步驟 2）：兩次執行的關鍵字取聯集去重 後，以句向量模型嵌入、階層式聚合分群，k=100，組名取 medoid；進池與分群為同一個確定性子命令。完整分割由 演算法 結構保證。頻次不入收斂：頻率的分析角色由步驟 3 編碼 承擔；池中頻次含跨執行噪音。
3. 編碼（步驟 3）：以定稿詞彙表對全部歌曲 2+1 編碼 ——模型讀歌詞、逐標籤附引述；逐首計一致率，分歧逐首 仲裁（仲裁者看歌詞與該標籤引述）。此為主儀器， 「女性力量」候選集由此浮現；亦是對前導研究「映回後 未對照歌詞」限制的明文改良。沿收斂軌跡的機械對映 （純程式）保留為零成本診斷副產品，量測收斂軌跡的 扭曲，不作主結果。

先驗主題詞 women-power 併入詞彙表：定案詞彙表為 100 個分群組名再加上 women-power，共 101 個碼。該詞是 研究者任意決定的先驗主題，即本研究的論文主題本身，不由 資料產生，屬據實揭露的儀器介入。不另設單目標篩選軌，理由是 讓研究者的主題詞與模型自己收斂出的類別在同一份提示詞、 同一個判斷體制下受檢——單目標提問會把該主題的顯著性 人為抬高，「被放大檢視」的結果不足以與其他主題並比。 候選集的定義見 methodology.md。

定義檔命名 prompts/<步>-<次步>-<task>.md——步為研究 程序的工序序，次步為步內執行順序（僅一個執行時省略）， 讀者依編號先後依循：01-tag.md、03-01-code.md、 03-02-arbitration.md。檔名與目錄名補零只為排序，正文 一律寫「步驟 1」「步驟 3-2」。 編號的所指是工序而非定義檔，因此確定性的第 2 步雖無 定義檔仍佔一個編號，其歸檔為 runs/02-cluster/。檔名不帶 版本號——版本即 git 歷史，失敗的版本不保留，需要回看的 舊版都在 git history； 每次執行的定義檔快照隨 runs/ 自我完備。全部中間交接檔 同隨 runs/ 歸檔（交接契約見 methodology.md）。

階段與時程（全文截稿 2026-08-15）

階段	內容	方式	時程
0	基礎建設：git init、目錄結構、.gitignore、決策日誌、runner script（含 Batch API）、codebook v0 骨架	script + 討論	7/30–7/31
1	資料準備：run_llm 改走統一設定 → build-db（解析榜單成 songs/chart_entries/artists/song_artists）→ import-lyrics（pilot 2018–2025）→ fetch-lyrics（2016–17 與缺漏，Lyrics.ovh / LRCLIB）→ fetch-artists（Wikidata 快照）→ export-llm-input	子命令	7/31–8/3
2	自然編碼管線：tag ×2 進池 → 詞向量分群 k=100 → 併入 women-power → 詞彙表定稿 → code 2+1（全 883 首，附引述）	API + script	8/4–8/7
3	黃金標準：依 codebook 人工逐首判定 genuine/peripheral/fake，附引用歌詞證據表（LLM 只做摘錄，不給判定建議）；先以 10–15 首校準樣本試編並修訂 codebook 後凍結；同批校準樣本實測 Sonnet 4.6 vs Opus 5 一致率	人工 + script 輔助	8/5–8/9
4	受控比較（盲點實驗）：條件 A（詞彙層提示）vs 條件 B（框架感知提示），各 2+1，對照黃金標準計算假陽／假陰率	API	8/8–8/11
4'	映射分析：自然編碼結果（第 4 步）與黃金標準交叉表；軌跡對映 vs 直接編碼的扭曲診斷（分析方法先寫入 methodology.md 再看結果）	script	與 4 並行
5	pussy 修辭分析：script 找含詞歌曲 → LLM 分類（METONYM/ANATOMICAL/COWARD/OTHER + 說話者/指涉對象）2+1 → 人工核定	script + API	8/9–8/11
6	統計與圖表：一致率（kappa）、污染率、類型分布、年度趨勢、映射交叉表	scripts	8/11–8/12
7	撰寫全文＋內部審稿（subagent 以審稿人視角挑毛病，特別是嘻哈女性主義／respectability politics 一題）	討論 + subagent	8/11–8/14

關鍵路徑：階段 3 人工編碼（僅研究者本人可做），排週末與晚間分批。

Codebook 原則

• Directed content analysis：理論骨架（top-down）＋紀律化歸納通道 （bottom-up：other-fake 開放碼 + memo + 決策日誌）。
• 三層結構：理論構念層（Banet-Weiser、Gill、Goldman、McRobbie、 Fredrickson & Roberts、Connell、Mulvey）→ 操作判準層（權力來源 測試、frame vs vocabulary、決策樹）→ 類別定義層（A–E 納入／ 排除判準、例句、near-miss 反例）。
• 判準層須明文回應嘻哈女性主義（Joan Morgan、Gwendolyn Pough） 與性積極女性主義的 respectability politics 質疑：區分「性表達」 與「貶低其他女性／以男性指標定義權力」。
• 流程：v0 → 校準樣本試編 → 修訂 → 凍結 v1 → 全量編碼； 中途修訂須記決策日誌並回檢已編歌曲。

其他已定案事項

• 歌詞受版權保護：完整歌詞不進 git（data/captures/lyrics/ gitignored）， 論文與 repo 只留分類所引摘錄。
• Fable 5 不用於 pipeline：成本高、thinking 無法關閉且不可稽核、 無 temperature 控制，且會混淆「盲點是提示問題」的核心主張。 （2026-08-05 實測確認：Claude 5 系模型拒收 temperature 與 thinking 關閉這兩個參數。）