結論：同樣字數下，論壇教材讓語意類大輸（⟦R:q3_forum_sem⟧ vs ⟦R:q3_ctrl_sem⟧）、部分語法小類反而贏——教材種類決定字典學到什麼（單次實驗）。
為什麼：百科全書一直寫地理和國家，網友一直講「最便宜、比較好、正在找」。細節和數字在下面 3.1、3.3。
拿一份「不是維基百科」的文字來訓練字典，考同一張考卷，然後回答三件事：
程式一定要放在報告下面，沒放這題 0 分（作業規格 PDF p31）。
| 維基百科 | 卡達論壇 | |
|---|---|---|
| 是什麼 | 百科全書 | 住在卡達的外籍人士互相問問題：簽證、租房、薪水、買車 |
| 誰寫的 | 編輯，有人校稿（外部知識） | 一般網友，隨手打 |
| 文字風格 | 正式、完整句子 | 口語、縮寫、錯字很多、很多問句 |
| 主題 | 什麼都有：歷史、地理、科學、人物 | 很集中：卡達的生活大小事 |
| 結構 | 一篇很長的文章（20% 樣本平均每篇約 592 字；推算：666,053,126 字 ÷ 1,124,733 篇） | 一則發問＋很多短留言（平均每段約 34 字；推算：72,919,300 字 ÷ 2,118,254 段） |
| 大小 | 都是 7,292 萬字（見下面「維基對照組」） | |
來源：SemEval 2016／2017 Task 3 的公開資料，Gensim 可以直接下載。共 189,941 個討論串；標題、內文、每則留言各算一段，刪掉少於 3 個字的段落後，留下 2,118,254 段（筆記本輸出寫作 posts）。
論壇只有 7,292 萬字，維基 20% 有 6.66 億字，差了 9 倍（推算：6.66 億 ÷ 7,292 萬 ≈ 9.1）。如果直接拿論壇跟維基 20% 比，論壇輸了，你分不出是：
所以我從維基裡切出剛好一樣多字（7,292 萬字）的一份當「維基對照組」，用一模一樣的參數訓練。這樣兩邊主要只差在教材種類，比較才公平。
| 小類 | 維基對照組 | 論壇 | 誰贏 |
|---|
「誰贏」用第 9 節的同一把尺：差距超過該小類的雜訊才判。但雜訊是在 5% 維基（1.66 億字）量的；論壇和維基對照組的教材更小，雜訊可能更大，所以「剛好超過雜訊」的語法類 −1.34 只當參考。
「覆蓋率」＝這個小類的題目裡，四個字全部都在字典裡的比例。答案不在字典裡，再聰明也答不出來。
小例子（假設的）：4 題全世界首都，其中 2 題的四個字論壇字典都收了 → 覆蓋率 ＝ 2 ÷ 4 ＝ 50%。另外 2 題一定答錯。
| 小類 | 維基對照組 | 論壇 |
|---|
論壇字典比較小、很多字查不到，這本身就會讓論壇正確率變低。為了把這個因素排除，筆記本另外只算「四個字在兩本字典都查得到」的 15,684 題：
| 維基對照組 | 論壇 | |
|---|---|---|
| 整體 | 42.80 | 32.12 |
| 語意類 | 52.80 | 22.10 |
| 語法類 | 37.91 | 37.01 |
| 最高級 | 18.28 | 42.90 |
| -ing | 31.82 | 51.33 |
| 國名→國籍 | 77.12 | 22.81 |
| 過去式 | 40.96 | 33.78 |
學到什麼：就算字都查得到，論壇語意類還是大輸、最高級和 -ing 還是大贏。所以差異不只是「論壇字典小、查不到字」，而是兩份教材的內容真的不一樣。
| 字 | 維基對照組的 5 個鄰居 | 論壇的 5 個鄰居 |
|---|
猜原因之前，先算數字。下面是「每 100 萬個字裡出現幾次」（兩份教材一樣大，可以直接比）。
怎麼換成次數（推算，筆記本只印每 100 萬字）：cheapest 在論壇每 100 萬字 27.50 次，論壇教材共 72.92 個「100 萬字」，所以大約出現 27.50 × 72.92 ≈ 2,005 次；維基對照組 0.96 × 72.92 ≈ 70 次。27.50 ÷ 0.96 ≈ 28.6 倍。
| 字 | 維基對照組 | 論壇 | 論壇是維基的幾倍 |
|---|---|---|---|
| cheapest（最便宜） | 0.96 | 27.50 | 28.64 倍 |
| biggest（最大） | 37.26 | 59.97 | 1.61 倍 |
| best（最好） | 553.01 | 988.65 | 1.79 倍 |
| looking（正在找） | 56.31 | 680.74 | 12.09 倍 |
| cheaper（更便宜） | 7.78 | 80.27 | 10.32 倍 |
| going | 104.22 | 914.05 | 8.77 倍 |
| better（更好） | 116.98 | 990.40 | 8.47 倍 |
| bigger | 13.12 | 53.58 | 4.08 倍 |
| husband／wife | 104.85／212.38 | 418.87／605.50 | 3.99／2.85 倍 |
| goes | 66.47 | 235.33 | 3.54 倍 |
| capital（首都） | 160.38 | 43.23 | 0.27 倍 |
| brazilian（巴西人） | 42.43 | 33.46 | 0.79 倍 |
| albanian（阿爾巴尼亞人） | 13.37 | 0.75 | 0.06 倍 |
| illinois（伊利諾州） | 90.02 | 1.10 | 0.01 倍 |
這張表在筆記本第 3 題的程式區（「第 3 題補充證據」那一格，畫面上是 In [30]），數字照抄筆記本輸出。
| 發現 | 原因 |
|---|---|
| 首都、城市、貨幣：論壇慘輸 | 網友很少聊非洲國家的首都或美國的州（推論）。覆蓋率表顯示，論壇字典裡連字都沒有：全世界首都只有 ⟦R:q3_cov_capworld⟧ 的題目四個字都查得到，貨幣只有 ⟦R:q3_cov_currency⟧。就算字有（常見國家首都覆蓋率 100%），出現次數太少、也很少出現在「首都是…」這種前後文，關係學不起來。 |
| 國名→國籍：論壇大輸 | （推論）albanian 在論壇只有維基的 0.06 倍；但 brazilian 也有 0.79 倍，國名→國籍仍大輸——可能是「巴西–巴西人」這種成對關係，在論壇裡很少出現在相同的前後文。 |
| 比較級、最高級、-ing、動詞第三人稱：論壇反而贏 | 上面的字頻表顯示，網友用 cheapest、looking、better、goes 的頻率是維基的 3.5～28.6 倍。（推論）字形出現越多次、前後文越一致，詞向量越準。 另一個可能的因素：論壇字典只有對照組的一半大，干擾的候選字比較少。「公平比較」排除查不到的題目後論壇仍然贏，但字典大小的影響沒有完全排除。 |
| 家人／性別：差不多 | 差 2.97 個百分點，小於這個小類的雜訊 4.74，不下結論。 |
| 論壇的鄰居常常是錯字 | 上面 7 個字裡，salary、family、doha、visa 四個字的論壇鄰居大多是錯字（salary 的鄰居是 slary、salry、salery、sallary、salaray）；king、paris、computer 則不是。錯字的前後文跟正確的字高度相似，詞向量用前後文學，所以把錯字當成最像的字。維基有人校稿，比較少這樣（推論）。老師投影片 W1 p94 也寫「Vector search is not robust to typos」。 |
| 論壇學到了在地用語 | visa 的鄰居有 iqama（卡達居留證）、rp（residence permit）（這兩個字的意思是外部知識）；doha（卡達首都）的鄰居有 doah（doha 的錯字）、qata、qatat、qutar（qatar 的錯字）。 |