pop-fem-audit/docs/reliability.md

信度:量測方式與結果

（2026-08-16 量測。對象為步驟 3a 與步驟 5d 各三次執行的 原始輸出;數字由原始輸出直接計算。）

一、本研究的信度是什麼

信度(reliability) 問的是:同一個量測重複做,會不會得到 同樣的結果。它管的是一致性,不管對錯。一把每次都少兩公斤 的秤,信度很好、效度很差。效度(validity) 問的則是:量到 的是不是想量的東西。

Krippendorff 依產生資料的設計,把信度分成三型 (Krippendorff, 2004;Hayes & Krippendorff, 2007):

• 穩定性(stability):同一位觀察者、同樣的材料,重複 量測是否一致(test–retest,即 intra-observer)。
• 可複製性(reproducibility):不同觀察者各自獨立量測 是否一致,即一般所稱的編碼者間信度 (inter-coder reliability)。Krippendorff 認為這是內容 分析中最強、也最可行的一型,因為它排除了「這些類目只是 某一個人特異的讀法」的疑慮。
• 準確性(accuracy):與已知標準比對。

本研究三次獨立執行量到的是第一型。同一個模型、同一份 定義檔、同一批輸入,重複三次,量到的是這個編碼者自己前後 一不一致。第二型在本設計中結構上不存在:編碼者只有一位, 不同的模型版本(Sonnet 4.6、Fable 5)也不是「不同的編碼者」, 而是不同的儀器。第三型未量測:沒有黃金標準可比。

以工程的語言說更精確:這裏量的是儀器的重複性 (repeatability),亦即隨機性有多大;計量學上稱之為 精密度(precision),而準確度(accuracy) 未經量測。 若儀器是確定性的,重複性無須量測;但 LLM 不是——同樣的提示、 同樣的輸入,三次會給出不同結果,因此重複性是必須報告的儀器 規格。

二、三個常用指標

以「這首歌有沒有這個碼」這種是非題為例:

• 百分比一致率:兩次判斷相同的格子佔全部格子的比例。 最直觀,但會被「碰巧同意」灌水——當九成五的格子都是 「無」,兩次隨便判也會有九成以上一致。
• Cohen's κ(kappa):把「碰巧同意」的部分扣掉之後的 一致度,兩位編碼者用。0 表示與隨機無異,1 表示完全一致。 慣例上 0.61–0.80 稱為 substantial、0.81 以上稱為 almost perfect(Landis & Koch 1977 的分級)。
• Krippendorff's α:可處理兩位以上編碼者、缺漏值與 不同尺度,是內容分析文獻最常被要求的指標。慣例門檻為 α ≥ 0.800 可作結論、0.667–0.800 只能作暫定結論 (Krippendorff 的建議)。

三者裏,百分比一致率會高估、κ 與 α 才是可比較的數字。

補充一個常被誤解的方向:κ 的著名「悖論」 (Feinstein & Cicchetti, 1990)是類別分佈極不平衡時, 高一致率反而算出很低的 κ——偏斜會壓低 κ,不會抬高它。 本研究的正例只佔 16.5%(89,183 格中約 14,700 格有碼), 在這種偏斜下 κ 仍達 0.93,屬於保守估計,不是被大量「雙方 都判無」灌出來的。

三、實測結果

步驟 3a(編碼:883 首 × 101 個碼 = 89,183 格,執行三次)

兩次執行	百分比一致率	Cohen's κ	Jaccard
run1 × run2	98.10%	0.931	0.891
run1 × run3	98.09%	0.931	0.891
run2 × run3	98.26%	0.937	0.900

Krippendorff's α = 0.933(三次執行合計)。

三票計票的分佈:三票全同 13,500 格、兩票 1,163 格、 僅一票 1,310 格(未達門檻而剔除)。定案的 14,663 個編碼 中,92.1% 是三次全數同意的。

(此處由原始輸出計算,未套用 936 筆人工校對表;論文引用的 定案數 14,664 為校對後的結果,差 1 筆。)

步驟 5d(樣態標註:111 首 × 各自適用樣態 = 3,708 格,執行三次)

兩次執行	百分比一致率	Cohen's κ	Jaccard
run1 × run2	97.87%	0.933	0.898
run1 × run3	98.17%	0.942	0.911
run2 × run3	97.87%	0.933	0.898

Krippendorff's α = 0.936。三票全同 675 格、兩票 62 格、 僅一票 51 格;定案的 737 筆歸屬中,91.6% 三次全同。

怎麼讀這些數字

κ 與 α 都在 0.93 上下,以慣例分級屬於 almost perfect, 也高於 α ≥ 0.800 的門檻。用白話說:這個編碼者重複三次, 判斷幾乎不變;會左右搖擺的,是那一成左右的邊緣案例,而 三票多數決正是為它們設計的。

Jaccard(只看「有標到」的格子,忽略雙方都沒標的)約 0.89–0.91, 比百分比一致率低而更誠實——因為 82% 的格子是雙方都判「無」, 那些一致並不費力。

四、隨機性的規模

信度數字回答的實際問題是:這台儀器的隨機性,大到會不會 改變結論?

步驟 3a 的 89,183 格中,搖擺的格子共 2,473 格(兩票 1,163、 一票 1,310),佔 2.8%。若只執行一次即定案,這批格子當中約 一半會成為誤收、另一半會成為漏收。三票多數決把兩票以上者 收入、一票者剔除,處理的正是這一批。

以此規模判斷,結論層的三條帶狀結構(女性力量與陽剛群共現、 與脆弱群互斥、與厭女群獨立)不可能由這個量級的雜訊翻轉。 反過來說,若一致率只有 0.6,同一組結論就不能採信——信度 數字的用途在此,而不在滿足慣例。

五、這些數字證明了什麼、不能證明什麼

能證明:量測是穩定的,結果不是單次抽樣的偶然; 三票多數決確實只在少數邊緣格子上發揮作用(約 3%)。

不能證明:判斷是正確的。三次共用同一個模型與同一份 先驗,能濾掉隨機噪音,濾不掉系統性偏誤。本研究已發現三個 三次一致的錯誤可作實例:Sonnet 4.6 穩定地將 Women Power 讀為 Women+Power;深讀階段將〈Cowgirls〉中握韁繩者判反、 將〈Happen To Me〉分屬兩段的引文接成同一動機。一把每次都 量出同樣偏差的尺,重複性滿分,準確度為零。

結構上沒有:編碼者間信度。要有它,需要第二個獨立的 觀察者——另一個模型,或研究者人工編一小批對照。本研究 未做,列為限制。

六、計算方式與依據

• 分析單位:每一個「(歌曲, 編碼)」格為一個單位,是非題 (有標／無標)。步驟 3a 為 883 首 × 101 碼 = 89,183 格; 步驟 5d 為各歌適用樣態數合計 3,708 格。
• Cohen's κ:兩次執行的 2×2 表,κ=(p_o−p_e)/(1−p_e), p_e 由兩次各自的邊際比例相乘求得。
• Krippendorff's α(名目、三位「編碼者」、無缺漏): α=1−D_o/D_e;某單位若有 v 次標為「有」,其不一致配對數為 v(3−v),D_o 為其總和除以總配對數,D_e 由整體「有／無」的 邊際比例求得。
• 門檻依據:κ 的分級為 Landis & Koch (1977) (0.61–0.80 substantial、0.81–1.00 almost perfect); α 的門檻為 Krippendorff 的建議(≥0.800 可作結論、 0.667–0.800 僅能作暫定結論)。
• 數字由原始執行輸出直接計算,未套用 936 筆人工校對表。