pop-fem-audit/docs/methodology.md

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（三次執行＋ 多數決）。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。

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=100。 向量既已正規化，歐氏距離與餘弦相似度單調對應；三種 linkage 實測比較，Ward 於各個 k 的組內一致性均最高 （average 與 complete 皆產生吞噬半數語料的巨大異質 組）。
• 組數的取捨：k 太小則壓縮比過高，樹上層被迫併入 不相干的詞，組雖大而無主題（k=30 最大組 491 詞、 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）。
• 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： 組越大越異質時，medoid 只是折衷詞，可能代表不了組內 內容（實測 mutual-individuality 組內一致 0.70 而 編碼從未使用）；此類碼於結果中呈現為零使用，據實 報告，不事後改名。
• 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） 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——五份中只有這一份含研究者的介入。 meta.json 記錄執行本身：進池的兩份執行歸檔與其有效 筆數、嵌入模型與釘定 revision、分群參數與組數、外加 的先驗詞、關鍵字總數，以及產生數字的套件版本。凡命令 列上的選擇與環境事實皆在此，不記時間戳與輸入雜湊 ——前者使同環境重跑逐位元組可再生，後者只會重述 git 已保證的事。
• 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 100 個分群組名再加上 women-power 一詞， 共 101 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 於執行時以 --extra-keyword 明示加入，不寫死在程式裏 ——研究者的介入因此每次都出現在重現命令上，而非無聲 發生；分群結果的兩份產物不含它，只有交給模型的碼表含 它。

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 編碼的三次執行與多數決

• 三次執行：同一份定義檔、同一份輸入檔，獨立執行 三次，三份歸檔並列（runs/03-code/run1、run2、 run3），彼此無先後主從之別。
• 多數決：一首歌的一個標籤，三次執行中至少兩次標出 即收入定案編碼。三票不平手，裁決規則因此無例外條款， 計票由確定性子命令完成（見交接契約）。
• 第三票取全量：只對前兩次分歧的標籤補問第三票， 計票結果相同；仍採全量執行——全部歌曲、全部關鍵字 ——使三票在同一條件下取得。
• 定案表只記歌曲與標籤：引述留在三份執行歸檔，定案 表不轉抄。定案即三票的計票結果，每一票各自的引述 依據於其歸檔逐筆可查。
• 對邊緣標籤的作用：兩次執行只分得出「兩次皆標」與 「僅一次標」；三次執行還分得出 3-0 與 2-1，故「定案 編碼中有多少比例僅以一票之差成立」成為可報告的量。 至於判定本身，兩次執行相左的標籤在何種協定下都由第三 個判斷定奪，票數不使不確定性消失：某標籤於單次執行被 標出的傾向若恰為一半，任何票數皆為擲幣。三票之效在 傾向偏離一半處——多數決將判定推向該傾向本身（單次 0.7 者為 0.78，0.9 者為 0.97），程序重跑的一致性因而 高於單次執行，唯獨恰半處無從改善。

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 →（兩份標註執行歸檔的 output.jsonl）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-<ID>", "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-<ID>", "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 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）， 三份歌曲清單不一致即失敗、不出檔。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、Keyword，一列 一個標籤，歌依 ID 數值升序、同一首歌的標籤按字典序， 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 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；一步的 N 次執行＝重現命令清單上的 N 行命令， 各自歸檔（runs/<步驟>/run1、run2，編碼步驟另有 run3）。
• 確定性步驟（進池、分群、計票、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<N> 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；各次執行的獨立 性由「一次呼叫、一個批次、一份歸檔」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。）