198 lines
11 KiB
Markdown
198 lines
11 KiB
Markdown
# 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）→ 自然收斂（merge）→ 強制收斂
|
||
（cap）→ 全量編碼（code），另設「女性力量」單目標篩選
|
||
（screen）作黃金標準取樣的補漏網。歌詞只出現在 tag、code、
|
||
screen 與各仲裁步驟；merge、cap 及其仲裁、命名皆不接觸
|
||
歌詞。設計原則見 `research-plan.md`；本檔記載可重現的
|
||
演算法細節。
|
||
|
||
## 收斂步驟（merge、cap）的 2+1 比對與仲裁
|
||
|
||
兩次獨立執行對同一批輸入詞各產生一個分組。比對不做
|
||
「組對組」的匹配——兩個組是否為「同一組的變體」無原則性
|
||
答案——而是把比較化約為「詞對的共組關係」：
|
||
|
||
1. **共識塊（交集細分）**：兩次執行都放在同組的詞歸為
|
||
同一塊。即以「(第一次的組, 第二次的組)」二元組為鍵
|
||
分桶，一桶一塊。此步為純集合運算。
|
||
2. **分歧塊對枚舉**：每個塊完整落在各次執行的恰一組內，
|
||
故「兩塊在某次執行中是否同組」定義良好。逐塊對檢查：
|
||
兩次執行答案相同者為共識（同組或分開，直接定案）；
|
||
不同者列入分歧清單。
|
||
3. **逐對仲裁（自身 2+1）**：分歧塊對送 LLM 仲裁
|
||
（`01-02-02-merge-arb.md`、`01-03-02-cap-arb.md`）。
|
||
仲裁者只看兩塊的內容詞，逐對二元裁決「是否同一
|
||
主題」；輸入不含執行別（避免「猜哪一次較可信」的
|
||
偏誤），不含共識部份，不含歌詞。仲裁自身獨立執行
|
||
兩次，逐對比對：兩次裁決相同即定案；相異的塊對送
|
||
終局票（`01-02-03-merge-arb-arb.md`、
|
||
`01-03-03-cap-arb-arb.md`，單次執行，依協定為終局）
|
||
——每個分歧塊對等同三票多數決，仲裁鏈至此終止。
|
||
送入仲裁的塊對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。
|
||
4. **確定性重組**：以每個「同組」裁決為一條邊，最終
|
||
分組＝圖的連通元件（union-find）。固定邊集的連通
|
||
元件唯一，與處理順序無關，故重組決定性成立。
|
||
遞移性後果照單全收：兩個共識「分開」的塊可能經第三
|
||
塊橋接而併入同組——此為等價關係語意的邏輯結論，
|
||
比對程式將此類「遞移導出的合併」逐筆記錄於歸檔，
|
||
供稽核。仲裁的結果空間因此大於「兩次執行擇一」：
|
||
可能比兩次都粗（多對皆裁同組），也可能比兩次都細
|
||
（多對皆裁分開）。
|
||
5. **一致率與保險絲**：比對程式計算塊對層級的一致率並
|
||
記入歸檔。低於門檻（暫訂 50%，首輪實跑後校準）即
|
||
不進行仲裁——兩次分組面目全非說明定義檔約束不足，
|
||
依協定修訂定義檔並重跑該循環。
|
||
6. **cap 的上限容忍**：仲裁後組數可能略超 50（多對裁
|
||
「分開」時）。略微超過可接受，如實記錄，不強行
|
||
壓縮。
|
||
7. **組名定案（收斂不命名＋命名 2+1）**：merge、cap 的
|
||
執行輸出不含組名（無名分組，陣列之陣列）——命名鏈
|
||
既然存在，收斂執行自取的名字只會製造兩次執行間
|
||
「同組不同名」的假分歧。組名承重——merge 的組名是
|
||
cap 的輸入詞，cap 的組名是 code 對歌詞編碼的類目——
|
||
故與其他語意判斷同受 2+1。程序：(1) 最終分組定案後，
|
||
命名步驟（`01-02-04-merge-name.md`、
|
||
`01-03-04-cap-name.md`）獨立執行兩次，輸入為不透明
|
||
組 ID 對成員詞，對全部組自由命名，僅受格式約束
|
||
（小寫連字號、單次執行內不重複）；(2) 逐組比對：兩次
|
||
同名即定案（單次執行內名字唯一，故定名間必無撞名）；
|
||
(3) 異名的組送擇一仲裁（`01-02-05-merge-name-arb.md`、
|
||
`01-03-05-cap-name-arb.md`）——匿名呈現兩候選，逐組
|
||
擇一，輸出限於候選並避讓已定名，機械可驗證。cap 的
|
||
輸入即 merge 定案後的組名清單。
|
||
|
||
### 收斂步驟的資料流（比對子命令的輸入輸出契約）
|
||
|
||
以 merge 為例（cap 完全同構，檔名換為 01-03 系）：
|
||
|
||
1. 兩次執行的原始輸出：`runs/01-02-01-merge/run1/output.jsonl`
|
||
與 `run2/output.jsonl`，各含一個無名分組（陣列之陣列）。
|
||
2. 比對子命令讀入兩份分組，先驗證兩者為同一輸入詞集的
|
||
完整分割（缺詞、多詞、重複即失敗），再計算共識塊與
|
||
分歧塊對，產出仲裁輸入檔——即
|
||
`01-02-02-merge-arb.md` 所收的 JSON：
|
||
- `blocks`：塊 ID → 成員詞。**塊 ID 的指派決定性**：
|
||
全部塊先按「各塊字典序最小的成員詞」排序，依序編為
|
||
b1、b2、…；塊內成員詞亦按字典序排列。
|
||
- `pairs`：分歧塊對清單，每對內部按塊 ID 序、清單
|
||
整體按 (第一元素, 第二元素) 字典序排列。
|
||
- 僅分歧塊對入列；共識（同組或分開）不送仲裁，由
|
||
比對子命令直接寫入共識紀錄檔。
|
||
同時產出：共識紀錄（共識塊、共識同組對、共識分開對）
|
||
與塊對一致率（含保險絲判定）。
|
||
3. 仲裁輸入檔以 run-llm 跑兩次
|
||
（`runs/01-02-02-merge-arb/run1`、`run2`）；比對
|
||
子命令逐對比對兩份裁決，兩票相同即定案，相異的塊對
|
||
依同一契約組成終局票輸入檔（`blocks` 僅含涉事塊、
|
||
ID 沿用原編號），跑
|
||
`runs/01-02-03-merge-arb-arb/run1`。
|
||
4. 裁決套用子命令彙整三票結果，以 union-find 重組出
|
||
最終分組，並寫出：最終分組檔（無名，陣列之陣列，
|
||
組序與組內成員皆字典序）、遞移導出合併的紀錄、
|
||
收斂軌跡（原始詞 → 最終組）。
|
||
5. 最終分組轉為不透明組 ID（依組序編 g1、g2、…）進入
|
||
命名鏈（見第 7 條）；命名定案後，組名清單（字典序）
|
||
即下一步的輸入。
|
||
6. 以上中間檔全部隨 `runs/` 歸檔；一切排序規則固定，
|
||
故給定相同的兩份執行輸出與相同的裁決，全流程輸出
|
||
逐位元組可再生。
|
||
|
||
## 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。
|
||
|
||
## 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（收斂步驟內部的交接見上節）：
|
||
|
||
- **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 定案 → cap**：merge 定案組名以字典序排成
|
||
JSON 陣列，即 cap 的輸入（見上節第 5 點）。
|
||
- **cap 定案 → code 定義檔**：定案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。
|
||
- **命名鏈的輸入構成**：`-name` 輸入的組 ID 依最終分組
|
||
之組序（上節第 5 點）編 g1、g2、…，組內成員字典序；
|
||
`-name-arb` 輸入中每組的兩個候選名**按字典序排列**
|
||
——不按執行別，避免順序洩漏何方所取；`taken` 為已
|
||
定案名的字典序清單。
|
||
- **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+2028 等 Unicode 行分隔符，
|
||
`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；獨立執行兩次＝重現命令清單上的兩行命令，各自
|
||
歸檔（`runs/<定義檔名>/run1`、`run2`），仲裁與命名
|
||
各為獨立步驟、獨立歸檔。
|
||
- 比對、裁決套用、重組、對映皆為確定性程式（子命令），
|
||
其輸入輸出檔隨 runs/ 歸檔，JSON 解析一律偵測重複鍵，
|
||
違規即失敗。
|
||
- 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。）
|