如何量度所提供的 X 帖文樣本中的關鍵詞共現情況

1. 界定抽樣範圍

收集帖文前，先寫下目標詞和各個配對詞。寫下你打算納入的發佈日期。寫下組成抽樣範圍的確切已知網址。

這項計算會指出，在所提供的樣本中，哪些配對詞與目標詞一同出現。它不會建立詞項隨時間使用的歷史記錄，也不是搜尋 X 上每一則帖文的服務。

先寫下這些選擇。如果你看到帖文用詞後才選擇配對詞，便可能偏重於你已經留意到的模式。

2. 收集已知的公開帖文

Actor 是在託管環境中執行、用來收集來源資料列的程式。Task 是為 Actor 儲存的輸入設定。每次執行是指 Actor 運行一次。

使用 X Post Metrics Actor 的公開版本 1.0.4。目前的 Task 是 X Post Analytics Snapshot。這個 Task 儲存一組初始輸入設定，不會替你計算詞項。儲存了 Task，並不代表計算會自動進行。

這個版本會讀取 `startUrls`。每個值都必須是已知的公開帖文網址，並包含 `/status/`。已儲存的清單有 3 個範例網址：

• https://x.com/OpenAI/status/2074907025537224840
• https://x.com/OpenAI/status/2074907027378511884
• https://x.com/OpenAI/status/2074907031862190406

將整份清單替換為 1 個你已知的公開 `/status/` 網址。首次執行只使用這 1 個網址。不要加入搜尋。不要要求取得帖文歷史記錄。不要設定 `maxItems`。這個 Actor 不會傳回完整的歷史資料。檢查首個資料列後，才加入更多已知網址。

每個儲存的資料列可包含以下欄位：

`text` 可以是 null。資料列中的其他資料也可以是 null。null 表示數值或資料缺失，並不表示計數為 0。

`postMetricStatus` 與 `text` 是分開的。它為 6 項指標各設 1 個項目。這些指標是瀏覽次數、讚好數、回覆數、轉發數、引用數和書籤數。每個項目都有自己的狀態和精確程度。精確程度是指該指標數值有多準確。不要將這 6 個項目視為同一尺度上的 6 個級別。它們不能證明文字完整。

OUTPUT 提供有關執行情況的證據，不是詞項表。它列出 `inputCount`、`datasetRows`、`usefulRows`、`billableRows`、`failedRows`、`statusCounts` 和 `stopReason`。`inputCount` 是該次執行收到的網址數。`datasetRows` 是已儲存的資料列數。`usefulRows` 是該次執行的有用資料列總數。`billableRows` 是該次執行的計費資料列總數。`failedRows` 是該次執行的失敗資料列總數。`statusCounts` 按狀態將資料列分組。`stopReason` 說明該次執行停止的原因。這些總數不是每個資料列上的欄位。

一次經核查的讀取，從 1 則已知的 OpenAI 公開帖文傳回了正確的帖文 ID 和個人檔案 ID。它也傳回了發佈時間和目前各項計數。文字有傳回，且不是空白。文字長度為 200 個字元。本文不轉載該段文字。該次檢查的 OUTPUT 為 `inputCount` 1、`datasetRows` 1、`usefulRows` 1、`billableRows` 1，以及 `failedRows` 0。`statusCounts` 為 ok 1。`stopReason` 為 `inputs_exhausted`。

這個結果顯示，系統能取得該則已知公開帖文的文字。它不能證明每個網址都會有相同結果，也不能證明系統讀取了圖片中的文字。它不能證明系統讀取了被引用帖文的內文、連結網頁，或影片中的說話。隱藏或受限制的部分需要另行檢查。狀態為 ok，不能證明文字足以供你計算。文字有 200 個字元，也不能證明資料列包含整則帖文。

按 `postId` 配對資料列，確保每則帖文只算作 1 個單位。保留 `publishedAt` 和 `observedAt`。如果缺少帖文 ID，為該次嘗試另設狀態。如果來源存取失敗，也為該次嘗試另設狀態。如果你的抽樣範圍設有日期限制，未知的 `publishedAt` 並不等於已知處於該時段內的日期。在日期確定之前，將該次嘗試排除於有日期限制的計算之外。不要將缺失資料轉成詞項計數 0。

3. 判斷文字是否完整

這項分析只使用帖文文字。對每個資料列，寫下文字是否足夠完整，可供計算。儲存這項註記。

不要將 ok 狀態視為文字完整的證據。也不要將 `postMetricStatus` 視為這項證據。如果 `text` 缺失或不完整，將該帖文排除於完整文字的分母之外。只有在你親自檢查另一份文字副本後，才將該副本加入。

不要從圖片取詞。不要從連結網頁取詞。不要從影片取詞。即使資料列狀態顯示成功，文字是否完整這個問題仍可能沒有答案。

`text` 欄位儲存的是在 `observedAt` 所觀測到的文字。如果帖文曾經編輯，這些文字可能與舊版本不同。這些文字也可能缺少部分內容。如果這種差異會改變你的計算結果，將目前的文字與任何舊副本分開。除非你已寫明選擇，否則不要將它們合併。

4. 計算前先寫下詞項規則

使用 1 套按字面匹配的規則，並在標記第 1 項之前寫下來。本文的英文例子採用以下固定規則。

不分字母大小寫。只匹配完整單字。完整單字的兩側都有詞界，或位於文字的開頭或結尾。詞界就是單字的邊界。空格是詞界。句號、逗號或引號也是詞界。這些標點不屬於單字的一部分。按這套規則，timer. 這串字元會匹配詞項 timer。

不要進行詞幹提取。詞幹是單字縮短後的詞根。不要將同義詞算作同一個詞項。保留原始文字，不作更改。由 2 個或以上單字組成的詞組，需要另訂書面規則。其他文字系統也需要另訂規則。連結或別名同樣需要另訂規則。使用規則之前，先以原始文字測試。

匹配到完整單字，不代表作者支持該詞所指的內容，也不能證明該詞指的是哪個實際事物。

5. 為每則符合條件的帖文設定標記

二元標記的值是 1 或 0。如果符合條件的文字按你的規則包含該詞項，就用 1。如果完整文字不包含該詞項，就用 0。對每則不重複且符合條件的帖文，每個詞項設定 1 個標記。

計算單位是帖文。如果某個詞項在同一則帖文出現 5 次，標記仍然是 1。這些重複只反映帖文內的用詞情況，不會增加帖文數。同一份匯出資料的完全相同副本，也不會增加帖文數。

如果同一則帖文的 2 個版本有差異，先選定來源再計算。記錄你的選擇。記錄任何因此改變的分母。不要保留 2 個版本，並將它們當作 2 則帖文。

6. 建立 2×2 列聯表

選擇 1 個配對詞，將每則符合條件的帖文歸入 4 個格子之一。每個格子代表 1 項計數。這 4 格分別是：同時包含 2 個詞項、只含目標詞、只含配對詞，以及兩者都不含。

列出 n、含目標詞的帖文數、含配對詞的帖文數，以及共同出現帖文數。n 是符合條件的帖文總數。

使用以下簡單公式：

條件比例 = 共同出現帖文數 / 含目標詞的帖文數

背景比例 = 含配對詞但不含目標詞的帖文數 / 不含目標詞的帖文數

條件比例是含目標詞的帖文中，含配對詞的比例。背景比例是不含目標詞的帖文中，含配對詞的比例。

如果含目標詞的帖文數為 0，條件比例便未定義。如果不含目標詞的帖文數為 0，背景比例便未定義。將該比例留空。不要填上 0。填上 0，會錯誤地表示你已量度一個沒有任何帖文的組別。

7. 比較比例時一併考慮分母

展示這 2 個分數。條件比例高的配對詞，可能本身就是常見詞。背景比例可以顯示這種可能性。大量共同出現的匹配結果，不能證明兩詞有特定關聯。

這個樣本很小，而且網址由你選定。它不能代表整個 X，也不能顯示因果關係。它不能顯示 X 上有多少則帖文使用該詞項，不能顯示某種模式改變得有多快，也不能顯示統計顯著性。統計顯著性是指透過正式檢驗，判斷結果是否可能由隨機因素造成。這張表不是那種檢驗。

作者可能只是引用某個詞項，並不支持它所指的內容。判讀意思是另一項工作。這些比例只用來描述這些符合條件的帖文。

8. 儲存計算結果並說明限制

儲存詞項標記、詞對表、書面規則和排除記錄。只有保留這些資料，讀者才能重建每個分母。

如果你需要不同時間的所有匹配帖文，便要說明這個樣本做不到甚麼。已知網址清單並不是那個完整集合。用這個樣本檢查一個已說明的想法，再改進書面抽樣範圍。不要將這張表當作整個 X 的趨勢。

將同一套規則用於原創虛構例子

以下開始是原創虛構內容。下列帖文、ID 和計數都是教學例子。它們不是 Actor 的結果，也不是 OUTPUT。它們不能用來估計 X 上的用語情況，也不顯示因果關係。

每則帖文都有不重複的虛構 ID，並按上述規則提供完整文字。這些 ID 不是真實的 X 帖文 ID。不分大小寫，因此 Job 會匹配 job。句末的英文句號是詞界。Job 位於開頭，因此文字開頭也是詞界。這裏沒有任何單字只是將 retry、timer 或 job 藏在較長的單字內。

首四則帖文都有 retry、timer 和 job。接着兩則有 retry 和 job，但沒有 timer。第七則有 timer 和 job，但沒有 retry。最後三則只含 job。

將標記相加。retry 的總和為 6。timer 的總和為 5。job 的總和為 10。在 F1、F2、F3 和 F4 中，retry 和 timer 的標記都是 1。共同出現帖文數為 4。

retry 和 timer 的表如下：

n 為 10。含目標詞的帖文數為 6。含配對詞的帖文數為 5。共同出現帖文數為 4。4 個格子的計數分別是 4、2、1 和 3。

條件比例為 4/6。換算成百分比並四捨五入後是 66.7%。分母是 retry 1 那一列的 6 則帖文。不要將 4 除以全部 10 則帖文。

背景比例為 1/4，即 25%。分母是 retry 0 那一列的 4 則帖文。該列只有 F7 包含 timer。timer 0 那一欄的總計為 5。那是另一個總數。不要用 5 作為這個比例的分母。

retry 和 job 的表使用相同的 10 則帖文：

retry 和 job 的共同出現帖文數為 6。條件比例為 6/6，即 100%。背景比例為 4/4，即 100%。job 的共同出現帖文數比 timer 多。timer 有 4 則，job 有 6 則。job 的 2 個比例相同，因此在這個例子中，job 沒有顯示組別之間的差異。值為 0 的格子，代表完整文字中確實沒有該詞項，不是文字缺失。

另外還有兩次從來源擷取資料的嘗試沒有取得文字。將它們保留在供讀者查閱的記錄中。不要稱它們為 F11 和 F12。不要將它們放進兩詞皆無的格子。不要將這份記錄複製到 OUTPUT，也不要將它視為 `failedRows`。文字缺失表示情況未知，不等於表示詞項不存在的標記。你也不能因為沒有看到某個詞，就推斷來源系統回報了失敗。

這次收集共有 12 次來源擷取嘗試。其中 10 次取得不重複、符合條件且文字完整的帖文。另有 2 次無法取得文字。完整文字的分母維持為 10。

如果目標組別有 0 則符合條件的帖文，其條件比例便未定義。如果背景組別有 0 則帖文，該比例也會未定義。寫上「未定義」。不要憑空填上 0%。

只就這個例子，將 4/6 與 1/4 並列比較。兩者的差距只描述這 10 句文字，不代表整個 X，也不顯示因果關係、統計顯著性或趨勢。job 說明了第 2 個比例為何重要。它的共同出現帖文數較多，但 2 個比例都是 100%。