# 07a 規章審查：《HW1_一條龍說明》對照 teaching-doc-standard（23 條）

> 審查對象：`HW1\HW1_一條龍說明.html`（22 節）＋組裝來源 `示範實作\_guide_drafts\guide_*.html`＋`示範實作\build_guide.py`
> 對照標準：`~/.claude/rules/teaching-doc-standard.md`
> 事實基準：`示範實作\_extract2\outputs.txt`（讀者看到的是 `In [n]` ＝ exec n）
> 審查日：2026-10-05。本檔只列問題與改法，沒有改任何文件。

## 一句話結論

數字幾乎都對得上筆記本，但**讀者最卡的地方不是數字，是「名字」和「順序」**：
同一個東西有 3～5 個叫法（最嚴重的是「鄰居」同時指兩件不同的事、「分」同時指正確率差與配分），
全文沒有用語表，核心觀念（相似度、b − a ＋ c、雜訊、前 k 名）都只有白話描述、沒有一個能拿紙筆算的小例子，
而且有 6 處前後矛盾或同一把尺沒有一致使用（雜訊判斷、3 次／4 次、審查員人數、「差異只能來自內容種類」等）。

---

## 〇、改之前要知道：文字實際在哪個檔

| 內容 | 真正的來源 | 注意 |
|---|---|---|
| intro、g0 | `guide_intro.html` | g0 總表的列在 `build_guide.py` 的 `OVR` |
| g1、g2 | `guide_static.html` | |
| g3 | `guide_static2.html` | TODO1 輸出在 `build_guide.py` `R["todo1_out"]` |
| g5、g6 | `guide_static3.html` | `⟦R:…⟧` 的值在 `build_guide.py` |
| g4、g7 | `guide_results1.html` | g7 比較表列由 `build_guide.py` `rows`（`w20_vs_glove_rows`）產生 |
| g8、g14 | `guide_results3.html` | g14 的 Q3、Q8、Q9、Q13、Q15 答案在 `build_guide.py` `R["exam_*"]` |
| g9、g11 | `guide_results4.html` | |
| g10 | `guide_results2.html` | 3.1 成績表、覆蓋率表、鄰居表、「誰贏」判斷都在 `build_guide.py`（`q3_rows`、`NOISE`） |
| g12 | `guide_results5.html` | |
| gw、gf | `guide_new.html` | 檔內的 `sec-gc` 已被覆蓋，是死碼 |
| gk | `guide_course.html` | |
| g13、g15 | `guide_submit.html` | `guide_static4.html` 裡的 g13、g15 已被覆蓋，是死碼 |
| gc | `guide_conclusion.html` | |
| g16 | `guide_static4.html` | 第 6～9 列與文末查證聲明（`VERIFY`）在 `build_guide.py` |

**建議（規則 18）**：把 `guide_new.html` 的 `sec-gc`、`guide_static4.html` 的 `sec-g13`／`sec-g15`、未使用的 `guide_g12_rest.html` 刪掉或移進 `_backup`。
死碼裡還留著舊說法（例：「不要直接交我的示範版——每一格都要自己打過」），之後有人改錯檔就會前後矛盾。

---

## 一、本文用語表（提案，放在「0 全貌」之後、「我做了什麼」之前）

先在用語表上方加一句**全文比喻**（規則 1）：

> 本文用一個比喻貫穿：**教材**（電腦讀的文章）→ 電腦自己編出一本**字典**（每個字一組詞向量）→ 拿**考卷**（19,544 題類比題）考這本字典。

| 概念 | 全文只用這個名字 | 一句白話（要能照做） |
|---|---|---|
| word embedding | **詞向量** | 一個字對應的一串數字（本作業 100 個）。可以想成字在「意思地圖」上的座標——「座標」只在第 1 節當比喻出現一次，其他地方一律寫「詞向量」。 |
| 一整組訓練好的詞向量（模型） | **字典** | 查一個字，拿到它的詞向量。本文主要有兩本：**GloVe 字典**、**Wiki 20% 字典**。不再寫「模型」「主模型」「自己的字典」「my_wv」（程式碼裡的變數名除外）。 |
| vocabulary | **字典收的字**（收錄字數） | 字典裡有詞向量的那些字；本作業最多收 30 萬個。 |
| min_count（實際值） | **收錄門檻** | 在教材裡出現至少幾次才收進字典。設 5，但 gensim 會自動調高：5% 9 次、10% 16 次、20% 30 次（In [31]、In [21] 印的）。 |
| OOV | **查不到的字（OOV）** | 字典沒收的字。題目四個字裡只要 a、b、c 有一個查不到，該題直接算答錯。 |
| corpus | **教材**（第一次出現補「語料，corpus」） | 拿來訓練字典的文章。不再混用「語料」「資料」「文章」「讀的書」。 |
| 教材大小 | **教材字數** | 例：Wiki 20% 教材 6.66 億字。 |
| Google analogy dataset | **考卷** | 19,544 題，分 2 大類、14 小類。 |
| 一題 | **類比題** | 給 a、b、c 三個字，叫電腦猜第四個字 d。 |
| Semantic／Syntactic | **語意類／語法類**（大類） | 前 5 小類是語意、後 9 小類是語法。 |
| SubCategory | **小類**（14 個固定名稱，見下表） | 不再寫「類別」「family 類」「家人類」。 |
| accuracy | **正確率** | 答對題數 ÷ 19,544（或該小類題數）× 100%。不再寫「答對率」「成績」「分數」。 |
| 兩個正確率相減 | **百分點** | 46.12% → 48.39% 是「多 2.27 個百分點」。**不寫「多 2.27 分」**，因為「分」會跟配分混在一起。 |
| 作業配分 | **配分** | 例：第 3 題配分 15%。標題括號一律寫「配分 15%」。 |
| cosine similarity | **相似度** | 兩個詞向量方向有多一致，介於 −1～1，算法見第 1 節手算例。不再寫「分數」。 |
| 第 4 題的 nearest neighbors | **鄰居** | 跟某字相似度最高的前幾個字。**「鄰居」只用在這個意思。** |
| 訓練時 window 內的字 | **前後文的字** | 訓練時，中心字前後各 window 個字以內的字。**不再叫「鄰居」**（目前同一個詞被用在兩件事上，見第二節 #1）。 |
| context | **前後文** | 「上下文」只保留在專有名詞「上下文詞向量（BERT、GPT）」裡。 |
| center word | **中心字** | Skip-gram 用來猜前後文的那個字。不再寫「中間的字」「中間字」。 |
| 3CosAdd | **b − a ＋ c** | 一律小寫 a、b、c、d，跟程式的 `word_a…word_d` 一致。第一次出現補「（3CosAdd）」。 |
| noise | **雜訊** | 5% 教材、參數全同、只換亂數種子（42、1、2、3）各訓練 1 次共 4 次，「最高正確率 − 最低正確率」。不再寫「晃動」「雜訊範圍」「運氣」。 |
| beyond noise | **超過雜訊** | 兩個結果的差（取絕對值）＞ 該列的雜訊，才說「真的有差」。筆記本欄位名是 `beyond noise?`。 |
| 同大小的維基 | **維基對照組** | 從維基切出跟論壇一樣多字（約 7,292 萬字）的教材。筆記本寫 `Wiki control (same size)`。 |
| 第 5 題的基準 | **基準設定** | 5% 維基、Skip-gram、window 5、100 維。 |
| coverage | **覆蓋率** | 某小類的題目裡，「四個字全部查得到」的題數 ÷ 該小類題數。 |
| top-k | **前 k 名正確率** | 電腦列出最像的 k 個字，正確答案在裡面就算對。 |
| 降到 2 維 | **壓成 2 維（t-SNE／PCA）** | 為了畫圖，把 100 個數字壓成 2 個。 |
| notebook cell | **In [n]** | Jupyter 畫面左邊的編號。**不再用「第 N 格」**。 |
| 加分實驗 | **實驗 ①～⑦** | 第一次出現時對照筆記本：①＝「第 5 題 (a)」In [34]、②＝(b) In [35]、③＝(c) In [36]、④＝(d) In [37]、⑤＝(e) In [38]、⑥＝(f) In [39]、⑦＝(g) In [40]；(h) In [41] 覆蓋率目前沒有編號，建議列為 ⑧ 或在 Q12 註明。 |
| WordNet | **人工詞庫（WordNet）** | 避免跟「字典」撞名。 |

**14 小類固定名稱**（照 `build_guide.py` 的 `SUB_ZH`，括號是筆記本上的英文）：
常見國家首都（capital-common-countries）、全世界首都（capital-world）、貨幣（currency）、美國城市在哪州（city-in-state）、家人／性別（family）、形容詞→副詞（gram1）、反義字首（gram2）、比較級（gram3）、最高級（gram4）、-ing（gram5）、國名→國籍（gram6）、過去式（gram7）、名詞複數（gram8）、動詞第三人稱（gram9）。

---

## 二、改名清單（每一處要換的原文）

### #1 最嚴重：「鄰居」一詞兩義（訓練時的前後文字 vs 第 4 題最像的字）

第 1 節觀念 2 說「找離它最近的 5 個鄰居」（最像的字），兩段後觀念 4 又說「看鄰居學出來的」（前後文的字）。讀者會以為兩者是同一件事。

| 檔案 | 目前原文 | 改成 |
|---|---|---|
| guide_static.html | `<h3>觀念 4：座標是電腦自己「看鄰居」學出來的</h3>` | `<h3>觀念 4：詞向量是電腦自己「看前後文」學出來的</h3>` |
| guide_static.html | `這個「讀文章、看鄰居、算座標」的過程叫` | `這個「讀文章、看前後文、算詞向量」的過程叫` |
| guide_static3.html | `「鄰居」算多遠：最多前後各 5 個字` | `「前後文的字」算多遠：最多前後各 5 個字` |
| guide_static3.html | `每一組真的（中心字, 鄰居）配 5 個照字頻隨機抽的字，訓練一個「是不是真鄰居」的二元分類器` | `每一組真的（中心字, 前後文的字）配 5 個照字頻隨機抽的字，訓練一個「是不是真的前後文」的二元分類器` |
| guide_static3.html | `看比較遠的鄰居` | `看比較遠的前後文` |
| guide_course.html | `每個字當鄰居的機率` | `每個字出現在中心字前後文的機率` |
| guide_course.html | `用 cross-entropy 跟正確鄰居比` | `用 cross-entropy 跟真正出現的前後文字比` |
| guide_course.html | `每一組真的（中心字, 鄰居）當正例` 與 `訓練一個「是不是真鄰居」的二元分類器` | `每一組真的（中心字, 前後文的字）當正例`／`訓練一個「是不是真的前後文」的二元分類器` |
| guide_course.html | `<h3>5. Negative sampling：把「猜 30 萬選 1」改成「是不是鄰居」</h3>` | `<h3>5. Negative sampling：把「猜 30 萬選 1」改成「是不是真的前後文」</h3>` |
| guide_results3.html（Q5d） | `真的（中心字, 鄰居）當正例` 與 `訓練「是不是真鄰居」的二元分類` | 同上兩處 |
| guide_results3.html（Q15） | `window：看前後幾個字當鄰居` | `window：看前後幾個字當前後文` |
| guide_results5.html（⑦） | `盡量讓「原本是鄰居的點」畫出來還是鄰居` | 保留（這裡是最像的點，意思正確） |

### #2 「分」同時指百分點與配分

| 檔案 | 目前原文 | 改成 |
|---|---|---|
| guide_results4.html（g9 結論） | `但每多一倍只多約 1 分（46.12 → 47.15 → 48.39）` | `但教材字數每多一倍，正確率只多約 1 個百分點（46.12% → 47.15% → 48.39%）` |
| guide_results4.html（g9 表下） | `<strong>每多一倍資料，整體約多 1 分</strong>（+1.03、+1.24）` | `<strong>教材每多一倍，整體約多 1 個百分點</strong>（+1.03、+1.24）` |
| build_guide.py `R["exam_q2"]` | `每多一倍約多 1 分` | `每多一倍約多 1 個百分點` |
| guide_results2.html | `最高級卻大贏 23 分` ／ `國籍類卻大輸 55 分` | `最高級卻贏 23.35 個百分點`／`國名→國籍卻輸 54.85 個百分點` |
| guide_results5.html（①） | `整體很穩（晃 1 分左右），小類會晃到快 5 分` | `整體的雜訊約 1 個百分點，小類的雜訊最大到 4.74 個百分點` |
| guide_results5.html（③） | `三個整體差距（4～11 分）都遠大於雜訊 1.05` | `三個整體差距（4.37～11.32 個百分點）都遠大於雜訊 1.05` |
| guide_results5.html（④） | `從第 1 名到前 3 名就多了 13 分` | `Wiki 20% 字典從第 1 名到前 3 名，正確率多了 13.14 個百分點（GloVe 多 10.57）` |
| guide_conclusion.html（#7） | `前 3 名命中率比第 1 名高 13 分` | `Wiki 20% 字典的前 3 名正確率比第 1 名高 13.14 個百分點` |
| 各節標題的配分括號（例 guide_results2.html `（15%，配分最高）`、guide_results4.html `（10%）`） | `（10%）` 等 | `（配分 10%）` 等，讓讀者分得出配分和正確率 |

### #3 詞向量／座標／向量

| 檔案 | 目前原文 | 改成 |
|---|---|---|
| guide_static.html | `<h3>觀念 2：座標越近，意思越像</h3>` | `<h3>觀念 2：詞向量越近，意思越像</h3>` |
| guide_static.html | `<h3>觀念 3：座標可以加減，加減代表「關係」</h3>` | `<h3>觀念 3：詞向量可以加減，加減代表「關係」</h3>` |
| guide_static.html | `沒有人一個一個去設定座標` ／ `所以座標會很近` ／ `微調每個字的座標` ／ `練完之後，座標就是我們要的詞向量` | `…去設定詞向量`／`所以詞向量會很近`／`微調每個字的詞向量`／`練完之後，這些數字就是詞向量` |
| guide_static.html（callout） | `所以座標反而很近` ／ `都只有<strong>一組</strong>座標` ／ `會看上下文給不同座標` | `所以詞向量反而很近`／`都只有<strong>一個</strong>詞向量`／`會看整句前後文給不同的詞向量` |
| guide_static3.html | `（座標有幾個方向）` ／ `出現太少，座標學不準` | `（詞向量有幾個數字）`／`出現太少，詞向量學不準` |
| guide_results1.html | `座標學得很穩` ／ `座標學不準` ／ `座標被平常的意思拉走` ／ `所以座標很近` | 全部 `座標` → `詞向量` |
| guide_results2.html | `前後文越一致，座標越準` | `前後文越一致，詞向量越準` |
| guide_results3.html（Q4、Q12） | `只有一組座標` ／ `座標學不準` | `只有一個詞向量`／`詞向量學不準` |
| guide_results4.html（g11） | `它的座標就被拉到` ／ `混在同一個座標裡` ／ `一個字只有一組座標` ／ `只有一組座標，兩種意思混在一起` ／ `座標被拉到特定字旁邊` | `座標`、`一組座標` → `詞向量`、`一個詞向量` |
| guide_results5.html | `反義詞座標太近` ／ `座標被這個用法拉走` | `反義詞的詞向量太近`／`詞向量被這個用法拉走`（PCA 那句「用前兩個方向當座標」是畫圖座標，保留） |
| guide_new.html（gf） | `連續的座標` ／ `練出座標` ／ `一個字只有一組座標` ／ `給不同座標` ／ `混在同一組座標裡` | 全部改「詞向量」 |
| guide_conclusion.html | `字可以變成有意義的座標` ／ `<strong>座標是從「前後文相似」學來的` ／ `混在同一個座標裡` ／ `學出每個字的座標` | `字可以變成有意義的詞向量`／`<strong>詞向量是從「前後文相似」學來的`／`混在同一個詞向量裡`／`學出每個字的詞向量` |
| guide_course.html | `詞向量（dense vector）` | 保留，但改成「詞向量（英文 dense vector，跟 one-hot 那種大多是 0 的向量相對）」 |

### #4 字典／模型

| 檔案 | 目前原文 | 改成 |
|---|---|---|
| build_guide.py `OVR` | `"<strong>Wiki 20%（主模型）</strong>"` | `"<strong>Wiki 20% 字典</strong>"` |
| guide_results5.html | `就贏過讀 20%、100 維的主模型（48.39）` ／ `如果你想讓主模型分數更高` ／ `改了主模型` ／ `我維持 100 維 Skip-gram 當主模型` | `就贏過 Wiki 20% 字典（48.39%）`／`如果你想讓 Wiki 20% 字典正確率更高`／`改了 Wiki 20% 字典`／`我維持 100 維 Skip-gram 當 Wiki 20% 字典` |
| guide_results1.html | `只是把 <code>model</code>（GloVe）換成 <code>my_wv</code>（自己訓練的字典）` | 保留變數名，但補一句「本文叫它 Wiki 20% 字典」 |
| guide_results1.html（g7 表頭，來自 build_guide.py 外的 HTML） | `<th>自己的 Wiki 20%</th>` | `<th>Wiki 20% 字典</th>` |
| guide_results4.html（g11 表頭） | `<th>GloVe（現成）</th><th>自己的 Wiki 20%</th>` | `<th>GloVe 字典</th><th>Wiki 20% 字典</th>` |
| guide_new.html（gf 站 3） | `字典式解法（WordNet）` ／ `用人工編的同義詞、上下位詞字典表示意思` | `人工詞庫（WordNet）`／`用人工編的同義詞、上下位詞詞庫表示意思` |
| guide_results3.html（g8） | `Part II 用的模型` ／ `Part III 用的模型` | 保留（報告題目用語），補「（＝本文的 GloVe 字典／Wiki 20% 字典）」 |

### #5 雜訊／晃動

| 檔案 | 目前原文 | 改成 |
|---|---|---|
| guide_new.html（gf） | `同樣設定跑 4 次，結果會晃多少？</strong>差距比「晃動」還小的` | `同樣設定換 4 個亂數種子各跑一次，正確率差多少？</strong>這個差叫「雜訊」；差距比雜訊還小的` |
| guide_results4.html（g9） | `最高和最低差多少，就叫「雜訊範圍」` 與 `要比雜訊範圍大` 與 表頭 `<th>雜訊範圍</th>` | `最高減最低，就叫「雜訊」`／`要比雜訊大`／`<th>雜訊</th>` |
| guide_results4.html（g9） | `比雜訊小的，可能只是運氣` | `比雜訊小的，可能只是換種子造成的差` |
| guide_results4.html（g9 考試） | `看結果晃多大` | `看最高與最低正確率差多少` |
| guide_results5.html（①） | `<h3>實驗 ①：先量雜訊——同樣的設定，結果會晃多少？</h3>` ／ `結果會不會一樣？晃多大？` ／ `<th>範圍（雜訊）</th>` | `<h3>實驗 ①：先量雜訊——同樣的設定，正確率會差多少？</h3>`／`結果會不會一樣？差多少？`／`<th>雜訊（最高−最低）</th>` |
| guide_conclusion.html（#7） | `同設定重跑，整體晃 1.05、小類晃到 4.74` | `同設定換種子重跑，整體雜訊 1.05、小類雜訊最大 4.74` |

### #6 次數不一致：3 次 vs 4 次（規則 18）

| 檔案 | 目前原文 | 改成 |
|---|---|---|
| build_guide.py `OVR` | `("Wiki 5% 換種子（3 次）", "同 5%", "46.05～47.10", "54.18～55.98", "39.30～39.72", "第 12 節 ①")` | `("Wiki 5% 換種子（共 4 次，含原本的 42）", "同 5%", "46.05～47.10", "54.18～55.98", "38.45～39.72", "第 12 節 ①")`（目前語法類 39.30～39.72 漏了 seed 42 的 38.45，跟雜訊 1.26 對不起來） |
| guide_new.html（gw 決定表） | `換種子重跑 3 次（量雜訊）` | `另外換 3 個種子重跑、連同原本共 4 次（量雜訊）` |

### #7 格 → In [n]（規則 13）

| 檔案 | 目前原文 | 改成 |
|---|---|---|
| guide_new.html（gw） | `（這裡的「第 N 格」是格子在模板裡的位置，從 0 開始數；跟 Jupyter 畫面左邊的執行序號 In [n] 不一樣）` | `（下面用 Jupyter 畫面左邊的 In [n] 標示；報告格是文字格，沒有 In 編號）` |
| guide_new.html（gw） | `<td>第 2 格</td>` | `<td>In [2]</td>` |
| guide_new.html（gw） | `<td>第 18～22 格</td>` | `<td>In [15]～In [19]</td>` |
| guide_new.html（gw） | `<td>第 5、13、15、24、25、27、28 格</td>` | `<td>In [5]（TODO1）、In [12]（TODO2）、In [14]（TODO3）、In [20]（TODO4）、In [21]（TODO5）、In [23]（TODO6）、In [24]（TODO7）</td>` |
| guide_new.html（gw） | `<td>第 27 格（TODO6）</td>` | `<td>In [23]（TODO6）</td>` |
| guide_new.html（gw） | `<td>第 29 格</td>` | `<td>報告格（In [24] 下面那一格文字）</td>` |
| guide_new.html（gw） | `<td>第 31 格</td>` | `<td>In [25]</td>` |
| guide_new.html（gw） | `<td>第 32 格以後</td>` | `<td>In [26]～In [43]</td>` |
| guide_results1.html（g7） | `所以我在同一格最後補了印成績的程式` | `所以我在同一格（In [23]）最後補了印成績的程式` |
| guide_static3.html（g5） | `（筆記本 In [18] 那一格印的）` | 保留（已正確） |

### #8 對照組／基準

| 檔案 | 目前原文 | 改成 |
|---|---|---|
| guide_results4.html（g11 挑字表） | `<td>computer</td><td>一般名詞，對照組</td>` | `<td>computer</td><td>一般名詞，當比較基準</td>`（「對照組」已專指維基對照組） |
| guide_new.html（gw） | `多做一份<strong>一樣大小的維基對照組</strong>` | `多做一份<strong>維基對照組</strong>（跟論壇一樣多字）` |
| guide_results3.html（Q11） | `為什麼要做「一樣大小的對照組」？` | `為什麼要做「維基對照組」？` |

### #9 教材／語料／資料／書

| 檔案 | 目前原文 | 改成 |
|---|---|---|
| guide_results1.html（g7） | `<td>讀的書少很多</td>` | `<td>教材少很多</td>` |
| guide_new.html（gf 控制變因表） | `<td>資料量的影響</td>` ／ `<td>資料種類的影響</td>` | `<td>教材字數的影響</td>`／`<td>教材種類的影響</td>`（因素圖文字 `讀多少（資料量）`、`讀什麼（資料種類）` 也一起改） |
| guide_results4.html（g9 標題、結論） | `資料越多，整體越好` | `教材越多，整體越好` |
| guide_conclusion.html（#3、#4、#6） | `資料越多越好` ／ `資料種類決定學到哪些關係` ／ `模型設定的影響比資料量大` | `教材越多越好`／`教材種類決定學到哪些關係`／`訓練設定的影響比教材字數大` |
| guide_intro.html | `讓電腦讀文章、自己編一本字典` | 保留，下一句補「（電腦讀的文章，本文叫『教材』）」 |

### #10 小類名稱與「類別」

| 檔案 | 目前原文 | 改成 |
|---|---|---|
| guide_results4.html（g9 表） | `<tr><td>家人</td>` | `<tr><td>家人／性別</td>` |
| guide_results5.html | `<tr><td>家人</td>` ／ `家人類掉 14.82` ／ `家人類大跌` | `家人／性別` |
| guide_results2.html（公平比較表） | `<tr><td>國籍</td>` | `<tr><td>國名→國籍</td>` |
| guide_results1.html（g4 表） | `國名 → 國籍` ／ `形容詞 → 副詞` | `國名→國籍`／`形容詞→副詞`（去掉空格，跟其他表一致） |
| guide_results1.html（g4 結論） | `貨幣、反義字首、加 -ly 很差` | `貨幣、反義字首、形容詞→副詞很差` |
| guide_static3.html、guide_results1.html | `family 類的` | `家人／性別小類（筆記本上叫 family）的` |
| guide_course.html（第 7 點） | `表現最差的類別裡` ／ `反義字首（un-）和副詞（-ly）` | `表現最差的小類裡`／`反義字首（un-）和形容詞→副詞（-ly）` |
| guide_results3.html（Q12） | `為什麼有些類別特別差` | `為什麼有些小類特別差` |

### #11 公式字母大小寫

| 檔案 | 目前原文 | 改成 |
|---|---|---|
| guide_static.html（g1） | `（B）  （A）   （C）   （D）` ／ `正確是 B − A ＋ C` ／ `給 A、B、C，叫電腦算出 D` | 全部改小寫 `（b）（a）（c）（d）`／`b − a ＋ c`／`給 a、b、c，叫電腦算出 d` |
| guide_results3.html（Q1） | `用 B − A ＋ C 算出一個向量` ／ `（排除 A、B、C）` ／ `「A 之於 B，等於 C 之於 D」` | 改小寫 |

### #12 其他讀者看不到的名字

| 檔案 | 目前原文 | 改成 |
|---|---|---|
| guide_submit.html（g15 步驟 1） | `<td>第 0 節、前兩個新章節</td>` | `<td>第 0 節、「我做了什麼」、「邏輯框架」</td>` |
| guide_submit.html（g13、g15） | `（學校代碼和學號見拍板卡）` ／ `回拍板卡的問題` | 第一次出現補「拍板卡（`_work\2026-10-04-nlp-hw1-submission\06-decision-card.html`，我列給你回答的 6 個問題）」 |
| guide_results4.html（g11） | `印出的前 5 處上下文裡` ／ `上下文單一` | `印出的前 5 處前後文裡`／`前後文單一` |

---

## 三、逐節審查表

欄位說明：「五段」指規則 3 的「一句結論／為什麼／細節／所以對你的影響／考試可能問」。

| 節 | 違反哪幾條 | 具體問題 | 建議怎麼改 |
|---|---|---|---|
| intro | 1、5、18 | ①沒有宣告全文比喻（教材→字典→考卷）。②沒有用語表。③`並經 4 位獨立審查員對照老師規定檢查`：實際是三輪共 8 位（05a～05h，見 00-resume.md），本次 07a 又是另一位。 | ①②見第一節。③ guide_intro.html `並經 4 位獨立審查員對照老師規定檢查` → `並經三輪、共 8 位獨立審查員對照老師原始資料檢查`（g15、gw、`build_guide.py` 的 `VERIFY` 同步改，見第四節 C6）。 |
| g0 | 3、13、18、2 | ①沒有「所以對你的影響」。②總表一次丟出 12 列、語意／語法、t-SNE、3CosMul 等名詞，都還沒解釋（規則 2：讀者還沒有前置知識）。③「換種子（3 次）」與 g12「4 次」矛盾，語法類範圍 39.30～39.72 漏掉 seed 42（38.45）。④同一節裡 `6.66 億字、訓練約 38 分鐘` 與 `電腦訓練（約 40 分鐘）` 兩個數字。 | ①新增 callout：「**所以對你的影響是**：你只要記住三個數字——GloVe 63.11%、Wiki 20% 48.39%、論壇 25.78%（維基對照組 41.46%），其他每一列都是『改一個因素』的對照。」②總表上方加一句「表裡的名詞先不用懂，第 1 節和用語表會解釋；現在只看『哪一列最高、哪一列最低』」，並把 7～12 列（加分實驗）收進 `<details>`。③見改名 #6。④統一寫「訓練 37.9 分鐘（前處理另約 2 分鐘）」。 |
| gw | 2、3、13、15、18 | ①放在第 1 節之前，但決定表用了 top-k、PCA、3CosMul、停用詞、詞形還原、window、雜訊——讀者此時都沒學過。②「第 N 格」不是讀者畫面上的名字。③`跟維基差最多（口語 vs 百科）` 沒有比較過其他語料，是推論。④`Colab 跑久會斷線、輸出會不見`、`Colab 免費版通常 2 核` 是外部知識未標。⑤`換種子重跑 3 次`。⑥階段 8 `再換一批新審查員檢查一次`：實際是兩輪。⑦沒有「所以對你的影響」。 | ①把「我自己下的技術決定」整張表移到第 1 節之後，或包進 `<details>`，每個術語連到用語表。②見改名 #7。③改 `跟維基差很多（推論：口語問答 vs 百科；沒有跟其他候選語料比較）`。④補「（外部知識）」。⑤見 #6。⑥改「再換兩批新審查員各檢查一次」。⑦新增：「**所以對你的影響是**：考試可能問『你為什麼這樣做』，這張表的『為什麼』欄就是答案；報告第 6 題也要照這張表如實寫。」 |
| gf | 2、6、15、16、18 | ①`下表照 W1 投影片的頁序排`——規則 2 明說「照讀者理解的順序，不照來源順序」；結果 TF-IDF（站 1）排在 one-hot（站 2）前面，初學者會卡。②站 1 和站 5 一格裡塞了 BM25、向量空間模型、LSA、共現矩陣、SVD、PPMI、稀疏，超過三個生詞沒拆段。③控制變因表 `同一批文章（5% 包含在 10% 裡）、同參數`：實際收錄門檻 9／16／30 次不同（In [31]），5% 還有 107 題查不到字——「同參數」不精確。④callout `這樣差異只能來自內容種類`：g10 自己承認「論壇字典只有對照組的一半大……字典大小的影響沒有完全排除」（字典收的字 100,310 vs 224,050，In [28]），兩節矛盾。⑤`這就是老師說的 insight` 沒有出處。 | ①改順序：one-hot／BoW → TF-IDF／BM25 → 人工詞庫（WordNet）→ 分布假說＋LSA（數共現次數）→ 神經網路語言模型 → Word2Vec → GloVe／FastText → 上下文詞向量。表上方改成「下表照『想法一步一步變好』的順序排（老師 W3 開頭回顧也是從 one-hot 講到 TF-IDF）」。②站 1、站 5 的術語搬進 `<details>進階`，主表只留白話。③把 `同參數` 改成 `同參數設定（但 gensim 自動把收錄門檻調成 9／16／30 次，見第 9 節）`。④把 `這樣差異只能來自內容種類` 改成 `這樣差異主要來自內容種類（兩本字典收的字數不同，這個因素沒有完全排除，見第 10 節）`。⑤補出處或改成「這就是作業要的分析」。 |
| g1 | 3、6、9、10、11、12、13、15、18 | ①沒有「考試可能問」（結論說考試最可能從這裡出題）。②觀念 2 相似度只有「方向有多一致」，**讀者拿紙筆算不出 0.70**（規則 10）。③觀念 3 只有圖，沒有一個能手算的 b − a ＋ c 小例子；也沒講「排除 a、b、c」這個邊界情況，要到 g4 才出現。④觀念 3 的圖只有四個點，沒有標出「算出來的落點 ★」與「最近的字」。⑤`鄰居` 一詞兩義（見改名 #1）。⑥callout `hot（熱）和 cold（冷）……所以座標反而很近`：筆記本沒有算過 hot／cold，是推論未標；筆記本有算過的是 good／bad 0.70（In [33]）。⑦callout `字典好不好，完全取決於電腦<strong>讀了什麼文章</strong>`：與 gf 因素 ④「怎麼學（模型設定）」、gc #6「模型設定的影響比資料量大」矛盾。⑧觀念 2 表格 `反義詞例如 good／bad 的分數反而常常很高`：「常常」只有一個例子。 | ①新增 callout：「考試可能問：相似度 1、0、−1 各代表什麼？b − a ＋ c 裡哪個字是答案？」（答案指到 g14 Q1、Q2）。②③見第五節手算例 E1、E2，放在觀念 2、3 的白話後面；`numpy` 寫法放 `<details>`。③另開一小步「**邊界情況：答案不能是題目自己**」，把 g4 的排除 a、b、c 說明搬來。④圖上加 ★「b − a ＋ c 算出來的點」、紅圈「最近的字」。⑥改成 `good（好）和 bad（壞）意思相反，但前後文很像（「這部電影很＿＿」），Wiki 20% 字典裡兩者相似度 0.70（In [33]）`。⑦ guide_static.html `字典好不好，完全取決於電腦<strong>讀了什麼文章</strong>：讀多少、讀什麼種類、文章怎麼整理過。` → `字典好不好，取決於兩件事：電腦<strong>讀了什麼教材</strong>（讀多少、讀什麼種類、怎麼整理），和<strong>怎麼學</strong>（Skip-gram 或 CBOW、維度、window）。`，下一句的題號同步改成「第 5 題（怎麼學）」。⑧改「反義詞的相似度可能很高，例如 good／bad 0.70（見第 11 節）」。 |
| gk | 2、3、6、9、10、11、15、17、18 | ①12 點的排列沒有邏輯（訓練機制、評估、限制、前處理交錯）。②沒有「所以對你的影響」；標題寫「考試可能考」但沒有任何一題。③第 4 點表格一格塞 one-hot、矩陣、內積、softmax、cross-entropy，五個生詞沒拆、沒例子。④第 5 點一段塞正例、負例、字頻、logistic regression、二元分類，沒例子。⑤第 6 點 `這正是老師說「做完作業你會發現有點問題」的意思`、`例如 cat 的鄰居是卡通角色名`：把老師的話接到 sourpuss 是推論未標；而且 Wiki 20% 的 cat 前 5 名有 4 個是動物（rabbit、dog、mouse、pet，In [32]），對「鄰居常常怪怪的」是反例，沒寫出來（規則 16）。另外 gc #2 把 sourpuss 叫「冷門字效應」、g11 把它叫「鄰居反映教材內容」——三處講法不一。⑥第 11 點 `因為論壇很少在「首都／國家」的前後文用這些字` 是推論未標（只有 capital 0.27 倍可間接支持）。⑦第 12 點 `GloVe 是 2014 年的資料` 是外部知識未標。⑧第 10 點維度 `通常幾百維，最多約 1K` 若是老師說的要附時間點，否則標外部知識。 | ①分四組並加小標：A 怎麼學（2 分布假說、3 Skip-gram 資料、4 網路、5 負取樣）→ B 怎麼用與評估（6 相對關係、10 怎麼選、11 相似≠相關）→ C 限制與後續（1 one-hot 為什麼不行 移到 A 最前、7 FastText、8 BERT、12 隨時間變）→ D 前處理（9 停用詞）。②節末新增「所以對你的影響是：作業只用到訓練好的字典，但考試會問它『怎麼來的』——A 組 4 點一定要能自己講出來」，每組末尾加 1 題「考試可能問」並連到 g14 Q5b～Q5d。③④見手算例 E5、E6。⑤ guide_course.html `（絕對位置不可靠，例如 cat 的鄰居是卡通角色名）。這正是老師說「做完作業你會發現有點問題」的意思。` → `（絕對位置不可靠）。老師說做完作業會發現「你所熟知的字」附近的向量不是你想的（W3 00:04:34–00:05:27）。這次 Wiki 20% 字典的 cat 前 5 名有 4 個是動物，只有 sourpuss 一個怪字（推論：它是冷門字，見第 11 節觀察 ①④），所以這個現象在 cat 身上不明顯，在 king、bank 身上比較明顯。`⑥補「（推論）」。⑦補「（外部知識）」。⑧補時間點或標外部知識。 |
| g2 | 3、15 | ①沒有「所以對你的影響」。②Colab `約 12 GB` 是外部知識未標。 | ①新增：「所以對你的影響是：在自己電腦跑，交作業時要多兩件事——附 requirements.txt、報告寫電腦規格（第 13 節已做好）。」②補「（外部知識，依 Colab 免費版一般配置）」。 |
| g3 | 3、7 | ①沒有「為什麼要整理成表格」（後面要按小類算正確率）。②沒有「所以對你的影響」。③考試題用 `Google analogy 資料集`，正文叫「考卷」。 | ①結論後加一句「為什麼：後面 TODO2、TODO6 要按大類、小類分開算正確率，所以每題都要先標好它屬於哪一類。」②新增「所以對你的影響是：14 小類的名字後面每一節都會用，先記住『前 5 個是語意』。」③改「考卷（Google analogy 資料集）」。 |
| g4 | 6、8、9、12、15、16、18 | ①程式講解表把主流程（b − a ＋ c → 找最近的字）和三個邊界情況（大小寫、查不到的字、排除 a、b、c）混在同一張表。②**① 列與考試題矛盾**：表格說 `不轉的話會查不到，程式直接報錯`，但程式有 ② 的檢查，查不到只會算答錯、不會報錯；考試題又說「不轉會查不到（OOV）」。③**沒有用一題真的題目走完全程**就直接給 19,544 題的正確率（規則 8）。④`Gensim 會自動排除題目裡的 a、b、c 三個字，不然最近的字常常是題目自己`：「常常」沒有驗證，標外部知識。⑤`GloVe 有 40 萬字`：筆記本沒有印出，外部知識未標。⑥t-SNE 只有「盡量讓原本很近的點畫出來也很近」，沒有能照做的說明；圖上沒有任何標記，讀者要自己找「繼字輩」在哪（規則 9）。⑦`看得出「角色」比「性別」更決定一個字在哪一群`：同一節的 callout 才說 t-SNE「每次跑形狀也可能不同」，從一張 t-SNE 圖下這種判斷要標推論。⑧沒有「所以對你的影響」。⑨`美國城市在哪州普通……好多州都有 Springfield` 是外部知識。 | ①拆成「第 1 小步：轉小寫 → 第 2 小步：算 b − a ＋ c → 第 3 小步：找最近的字」三步主流程；表格下另開「**邊界情況（各一小步）**：(a) 三個字有一個查不到 → 直接算錯；(b) 最近的字是題目自己 → 排除 a、b、c」。②guide_results1.html `不轉的話會查不到，程式直接報錯。` → `不轉的話這些字查不到，整題會被算成答錯（因為第 ② 步會先檢查；如果沒有第 ② 步，程式才會報錯）。`③在「考出來的成績」前加「先看一題」：用 E3（boy girl father mother，In [38]）走完全程。④⑤補「（外部知識）」。⑥圖片改用程式重畫並標記：紅框圈「皇室」「繼字輩」「代名詞」「複數」四群、箭頭標一對 boy／girl；t-SNE 原理放 `<details>`（見第五節 E8）。⑦改「這張圖上看起來『角色』比『性別』更決定分群（推論：t-SNE 每次跑可能不同，只看這一次）」。⑧新增：「所以對你的影響是：TODO2 就是三行——轉小寫、檢查查得到、`most_similar`；考試最常問的是 positive／negative 各放什麼。」⑨補「（外部知識）」。 |
| g5 | 3、14、15、17 | ①沒有「所以對你的影響」。②`解壓後約 3 倍大` 沒寫怎麼算（可推：20% 樣本 4.16 GB ÷ 0.2 ≈ 20.8 GB，÷ 6.93 GB ≈ 3 倍）。③`前 10 個檔各 562,365 篇` 筆記本沒有印每檔篇數。④`花了 約 2～3 分鐘` 筆記本沒有印。⑤`老師在課堂上特別警告過`、`助教影片有特別講` 沒有時間點。⑥⑤ 號「同一個亂數做 5%、10%」是最需要畫圖的地方，目前只有文字。 | ①新增「所以對你的影響是：考試問『怎麼避免記憶體爆掉』，答『一行一行讀、讀到就決定留不留』。」②改 `（推算：20% 樣本解壓後 4.16 GB，全部約 4.16 ÷ 0.2 ≈ 20.8 GB，是壓縮檔 6.93 GB 的約 3 倍）`。③改 `（推算：5,623,655 篇扣掉最後一檔 5 篇，平均分到 10 個檔）` 或補出處。④補出處（執行紀錄）或標「（執行時觀察，筆記本沒印）」。⑤補時間點。⑥加一張 0～1 數線圖：標 0.05、0.10、0.20 三條線，★ 三篇範例文章 r=0.03（三份都有）、r=0.08（10%、20% 有）、r=0.15（只有 20%）。 |
| g6 | 3、6、12、15、17 | ①參數表一列塞多件事：`min_count` 那列同時講門檻定義與「被自動調高」這個例外；`seed` 那列同時講種子與多執行緒的不可重現；`sample` 那列夾了停用詞的旁註。②`加速，也讓少見字學得比較好（原論文的發現）`：外部知識未標。③`老師說「不是每個技巧都會更好，你要自己試」` 沒有出處（它出自作業規定，見 `HW1_Word_Analogy_規定.md` 第 79 行對應的 PDF 頁）。④`移除停用詞（the、a、he、she…）`：g5 剛說單一字母的 a 已被助教清掉，這裡又舉 a。⑤沒有正式的「所以對你的影響」。 | ①表格只留「白話」與「為什麼」，下面另開兩個小步「**例外 1：收錄門檻被自動調高**（5→30）」「**例外 2：seed 固定也不能完全重現**（多執行緒）」。②補「（外部知識）」。③補「作業規格 PDF p.?」。④把 `the、a、he、she…` 改成 `the、of、he、she…`。⑤把「這一段是報告第 1 題的重點」callout 改名為「所以對你的影響是」。 |
| g7 | 3、9、15、16、19 | ①沒有「所以對你的影響」。②t-SNE 比較表 `「繼」字輩自成一群 有／沒有`：兩張都是單次 t-SNE，而 g4 自己說「每次跑形狀也可能不同」——用單次圖的有無下結論，與 g4 的警告矛盾。③`這種句型重複了上萬次`：數字沒有驗證。④`（60 億是 GloVe 官方公布的數字。）` 寫法改成標準的「（外部知識）」。⑤圖沒有標記。 | ①新增「所以對你的影響是：考試問『為什麼比 GloVe 差』，要講三個因素（教材字數、教材種類、方法），並說『作業裡分不開』。」②表格標題改「這一次畫出來的圖」，「沒有」改「這次沒有看到」，下面那句的「（推論。）」前加「t-SNE 每次跑可能不同，」。③改「這種句型在維基裡很多（推論，沒有數過）」。④改「（外部知識：GloVe 官方公布）」。⑤同 g4 ⑥ 加標記。 |
| g8 | 3、15、17、18 | ①結論後沒有「為什麼要照這三步」。②`老師會懷疑你沒跑（老師說過這件事）`：沒有出處。③第 1 題要點的超參數列寫 `min_count=5`，但 g6 強調實際是 30——報告要點自己沒提。④沒有「所以對你的影響」。 | ①加「為什麼：助教是按『有沒有數字、有沒有解釋』給分（出處）」。②補時間點或刪括號。③改 `min_count=5（gensim 因 max_final_vocab 自動調成 30）`。④新增「所以對你的影響是：考試問你任何一題，都用『數字 → 觀察 → 原因』三句回答。」 |
| g9 | 7、8、10、15、16、18、19 | ①雜訊的定義只有一句，沒有拿 4 個真的數字手算一次（規則 10）。②**同一把尺沒用到底（規則 16）**：表格 `家人 +5.54 / 雜訊 4.74 → 勉強`、`常見國家首都 −3.95 / 雜訊 2.77 → 勉強`，但本節自己的規則是「超過雜訊才算」，而且下一張表寫「語意類的五個小類都超過各自的雜訊」。③**對自己不利的方向打折**：考試答案說「全世界首都（+2.98）、貨幣（+2.66）有進步」，卻說常見國家首都（−3.95，下降幅度更大、也超過雜訊）「不當成證據」——上升算數、下降不算數，是挑證據。④前提沒講（規則 7）：5%／10%／20% 的收錄門檻不同（9／16／30），5% 還有 107 題查不到字被算錯（占 19,544 題的 0.55%），這兩件事也會影響差距，沒有標成可能的混淆因素。⑤表格只列 7 列，沒說明怎麼挑的。⑥沒有「所以對你的影響」。 | ①在「先學會一把尺」加手算例 E4（4 個種子的真實數字）。②把「勉強」兩格改成「算」，表下加一句「家人／性別、常見國家首都雖然超過雜訊，但只超過一點點（不到 1.5 倍），而且雜訊只在 5% 量了 4 次，所以只當參考」——同一句話同時套用在上升和下降。③考試答案 `R` 值與 g9 末列一起改成：「語意類加總沒超過雜訊；五個小類都超過雜訊但方向不一：家人／性別、全世界首都、貨幣上升，常見國家首都、美國城市在哪州下降。」④在「成績」表上方新增前提小步：「這三份教材只差在字數，但有兩個附帶差異：收錄門檻 9／16／30 次不同、5% 有 107 題查不到字（直接算錯）。所以 5%→20% 的 +2.27 個百分點裡，有一小部分可能來自『查得到的字變多』（推論）。」⑤表下加「只列整體、大類，與超過雜訊的小類（其他見 In [31]）」。⑥新增「所以對你的影響是：報告第 2 題一定要寫『跟雜訊比』，只寫『越多越好』會被問倒。」 |
| g10 | 3、6、10、14、15、16、18、19 | ①結論一段 3 句、帶 6 個數字。②`<strong>論壇的「最像的字」都是錯字</strong>`：過度概括——鄰居表裡 paris（amsterdam、cancun…）、computer（soundcard、desktop、pc…）、king 都不是錯字。③`維基有人校稿，不會這樣`、`網友很少聊非洲國家的首都或美國的州`：推論未標。④雜訊是在 5% 維基（1.66 億字）量的，拿來判斷 7,292 萬字的論壇與對照組——g9 有寫這個限制，g10 沒寫（規則 18：同一限制只在一處說，另一處沒提）。⑤`平均每篇約 592 字`、`平均每段約 34 字`、`差了 9 倍` 沒寫怎麼算（666,053,126 ÷ 1,124,733 ≈ 592；72,919,300 ÷ 2,118,254 ≈ 34；6.66 億 ÷ 7,292 萬 ≈ 9.1）。⑥3.2 題沒有對應的小標（教材比較表就是 3.2）。⑦單次實驗，結論沒寫「在這個設定下」（規則 19）。⑧`rp（residence permit）`、`iqama（卡達居留證）` 外部知識未標。⑨沒有正式的「所以對你的影響」（「這就是會拿高分的地方」接近）。 | ①結論縮成一句：「同樣字數下，論壇教材讓語意類大輸（12.84% vs 45.77%）、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）。」細節移到 3.1。②guide_results2.html `<strong>論壇的「最像的字」都是錯字</strong>` → `<strong>論壇的鄰居常常是錯字</strong>`，原因欄補「（7 個字裡 salary、family、doha 三個字的鄰居大多是錯字）」。③補「（推論）」。④在「3.1 成績」表下加：「雜訊是在 5% 維基量的；論壇和對照組教材更小，雜訊可能更大，所以『剛好超過雜訊』的語法類 −1.34 只當參考。」⑤括號補算式。⑥把「我選的教材」小標改成「3.2 我選的教材：卡達生活論壇」。⑦結論、gc #4 補「（單次實驗）」。⑧補「（外部知識）」。⑨把「這就是會拿高分的地方」改名為「所以對你的影響是」。 |
| g11 | 3、6、13、15、16 | ①結論塞了 4 個觀察、4 個例子（規則 6）。②`cat` 挑字理由寫 `老師上課說「貓的鄰居常常不是貓」，驗證看看`，但**驗證結果沒有寫出來**：Wiki 20% 的 cat 前 5 名 rabbit、dog、sourpuss、mouse、pet 有 4 個是動物，GloVe 5 個全是動物／cats——對老師的說法是不利結果（規則 16）。引語也不是原話（逐字稿是「去看你所熟知的字的……」，W3 00:04:34–00:05:27）。③觀察 ① `這些字都只出現幾十次（34～86 次）`，但同一張表 bank 列有 guaranty（330）、savings（8,467），讀者會對不起來。④`nangklao（34，泰國國王）` 外部知識未標。⑤觀察 ② `「這部電影很 ___」兩個字都能填……詞向量分不出正反` 是推論未標。⑥觀察 ③ `前 15 名<strong>全部</strong>是科技相關`：前 15 名有 goldieblox（玩具公司），說「全部是科技」過頭，說「全部是公司或科技產品」才精確。⑦`對照組`（見改名 #8）。⑧觀察 ⑤ `反映語料中的地理與歷史脈絡` 推論未標。⑨沒有「所以對你的影響」。 | ①結論改一句：「『最像的字』常常不是人想的那樣，原因可以分成四種（下面 ①～④）。」四個例子留在各觀察。②挑字表改 `老師說做完作業會發現熟悉的字附近不是你想的（W3 00:04:34–00:05:27），驗證看看`，觀察 ④ 前加一句結果：「結果：cat 的鄰居大多還是動物，只有 sourpuss 一個怪字，所以這個現象在 cat 身上不明顯。」③改 `其中 nangklao、chlothar、suryavarman、bodawpaya、ameriprise、indymac、onewest 只出現 34～86 次`。④⑤⑧補「（外部知識）」「（推論）」。⑥ guide_results4.html `前 15 名<strong>全部</strong>是科技相關` → `前 15 名<strong>全部</strong>是公司或科技產品`（gc #8、gf、g14 Q4 的「全是科技」一起改）。⑨新增「所以對你的影響是：報告第 4 題要『挑字有理由、每個觀察有證據』，冷門字那條要附出現次數。」 |
| g12 | 3、8、10、11、13、15、16、18 | ①實驗 ① 只給最低、最高，沒有給 4 個種子各自的數字，讀者沒辦法自己算出 1.05。②**實驗 ② 挑表列（規則 16）**：In [35] 標「超過雜訊」（True）的有 7 列，表格只列其中 5 列；漏掉 **國名→國籍 +2.19（刪停用詞反而變好，超過雜訊 1.69）** 和過去式 −3.21。國籍那列是對「支持不刪停用詞」不利的證據。③`查不到字的題目 107 → 284，多 177 題` 與正文「206 題含停用詞」對不起來，沒說明差 29 題的原因。④實驗 ③ `原論文也是 Skip-gram 語意類較好` 外部知識未標。⑤實驗 ④ 沒有「前 k 名正確率」的定義與例子；`多了 13 分` 沒說是哪本字典。⑥實驗 ④ 引老師 queen「可能在前三名」沒有時間點（W3 00:31:24）。⑦實驗 ⑤ `反義詞座標太近，加減時走到對面`、`用法太像` 是推論未標。⑧實驗 ⑥ 3CosMul 只寫「用乘除」，沒有公式（規則 10）；`論文說常常比較好` 沒出處。⑨實驗 ⑦ PCA 只有一句白話。⑩實驗編號 ①～⑦ 對不到筆記本的「第 5 題 (a)～(h)」。⑪沒有「考試可能問」與「所以對你的影響」。 | ①在 ① 表格前加 4 欄數字（見 E4）。②guide_results5.html 在 `<tr><td>名詞複數</td><td>38.59</td><td>41.89</td>` 那列後面新增兩列：`<tr><td>國名→國籍</td><td>78.42</td><td>80.61</td><td class="ok">+2.19</td><td>是</td></tr>`、`<tr><td>過去式</td><td>44.29</td><td>41.09</td><td class="no">−3.21</td><td>是</td></tr>`；「學到什麼」加一點「國名→國籍、名詞複數刪了反而變好（超過雜訊），所以不是每一類都受害——但受害的類（家人／性別 −14.82）比受益的類大得多。」③表下加「（206 題裡有些在保留版本就已經查不到，所以只多 177 題；推論，筆記本沒有印重疊題數）」。④補「（外部知識）」。⑤ ④ 前加定義與 E7 例子；`13 分` 見改名 #2。⑥補「（W3 00:31:24）」。⑦補「（推論）」。⑧加 `<details>` 公式（見 E9），`論文說` 補「（外部知識：Levy & Goldberg 2014）」。⑨見 E10。⑩每個實驗標題後加「（筆記本 In [34]，第 5 題 (a)）」等。⑪節末加：「所以對你的影響是：加分題最值錢的是『先量雜訊』和『整體沒變但小類有變』這兩個發現」，並加 2 題考試題（雜訊怎麼量、前 k 名是什麼）。 |
| gc | 4、15、16、18、19 | ①#2 證據寫 `cat 的鄰居有只出現 64 次的 sourpuss（冷門字效應）`，g11 把 sourpuss 放在觀察 ④「鄰居反映教材內容」，gk 第 6 點又叫「絕對位置不可靠」——三處說法不一。②#3 對應投影片欄是 `—`（規則 4、15 要附出處）。③#7 `13 分` 沒說是哪本字典。④#8 `apple 前 15 名全是科技` 過頭（goldieblox）。⑤#4、#5 是單次實驗，沒寫「在這個設定下」。 | ① guide_conclusion.html `cat 的鄰居有只出現 64 次的 sourpuss（冷門字效應）` → `king 的鄰居第一名是只出現 34 次的 nangklao（冷門字效應）`（king 才是 g11 觀察 ① 的主例）。②補 W1 p93（It depends，資料量）或寫「課程沒有直接講，本作業實驗結果」。③④見改名 #2、g11 ⑥。⑤#4、#5 結論後補「（單次實驗）」。 |
| g13 | 15、18 | ①結論 `老師允許用 AI，<strong>只罰「用了沒寫」</strong>（−10）`：同一節表格自己列了「網路程式沒附連結、抄襲」也扣分，「只罰」過頭。②「拍板卡」沒解釋。 | ① guide_submit.html `<strong>只罰「用了沒寫」</strong>（−10）` → `<strong>沒寫 AI 使用說明扣 10 分</strong>（用了不扣）`。②見改名 #12。 |
| g14 | 15、13 | ①Q2 `king 和 queen 前後文的差別（例如 he／his 換成 she／her）` 是推論未標。②Q5b～Q5d 編號跳號，讀者會以為漏了題。③Q1 用大寫 A、B、C。 | ①補「（推論）」。②重新編號 Q1～Q18。③見改名 #11。 |
| g15 | 13、18 | ①`也經過 4 位獨立審查員檢查`（實際 8 位）。②`前兩個新章節`（讀者看不到的名字）。 | 見第四節 C6、改名 #12。 |
| g16 | 3、18 | ①沒有「所以對你的影響」。②文末查證聲明（`build_guide.py` 的 `VERIFY`）寫 `並經 4 位獨立審查員檢查後修正`。 | ①新增「所以對你的影響是：如果你自己重跑，先做第 6、7 列——找能一直開著的時段、不要同時跑別的重運算。」②見 C6。 |

---

## 四、跨節矛盾與未標推論（規則 15、16、18 專區）

| # | 問題 | 出現在 | 改法 |
|---|---|---|---|
| C1 | 雜訊判斷規則不一致：「超過雜訊才算」→ 但超過雜訊的家人／性別 +5.54、常見國家首都 −3.95 被標「勉強」；上升的全世界首都 +2.98、貨幣 +2.66 算進步，下降的常見國家首都 −3.95 不算退步 | g9 表、g9 觀察表、g9 考試答案（`build_guide.py` 外的 HTML） | 一把尺：超過雜訊就寫「超過雜訊」，再另加一個「超過不到 1.5 倍只當參考」的統一附註，上升下降一起套用（見 g9 ②③） |
| C2 | 停用詞實驗只列支持結論的超過雜訊列，漏掉國名→國籍 +2.19 | g12 ② | 補列（見 g12 ②） |
| C3 | 換種子次數：3 次 vs 4 次；語法類範圍 39.30～39.72 vs 38.45～39.72 | g0（`OVR`）、gw、gf、g9、g12 | 見改名 #6 |
| C4 | 字典好壞「完全取決於讀了什麼文章」vs「訓練設定影響比教材字數大」 | g1 callout vs gf 因素 ④、gc #6 | 見 g1 ⑦ |
| C5 | 「差異只能來自內容種類」vs「字典大小的影響沒有完全排除」；「同參數」vs 收錄門檻 9／16／30 | gf callout、gf 表 vs g9、g10 | 見 gf ③④ |
| C6 | 審查員人數：4 位 vs 實際三輪 8 位 | intro、gw 階段 8、g15、`build_guide.py` `VERIFY` | 全部改「三輪、共 8 位」（若 07a 這輪之後再修，再加上） |
| C7 | sourpuss 的解釋三種說法 | gk 6、g11 ④、gc #2 | 見 gc ① 與 gk ⑤ |
| C8 | 轉小寫：「程式直接報錯」vs「查不到（OOV）算錯」 | g4 表 vs g4 考試、g14 Q6 | 見 g4 ② |
| C9 | 訓練時間 38 分 vs 40 分 | g0 流程圖 vs g0 配分表、gw | 統一「37.9 分鐘」 |
| C10 | 「apple 全是科技」 | g11、gc #8、g14 Q4、gf | 改「全是公司或科技產品」 |
| C11 | 「論壇的最像的字都是錯字」 | g10 3.3 | 改「常常是錯字」 |
| C12 | t-SNE 單張圖下判斷，但自己說每次跑可能不同 | g4「角色比性別更決定」、g7「繼字輩沒有自成一群」 | 標「這一次的圖」「（推論）」 |

**未標「推論／外部知識」清單**（各補一個括號即可）：

| 檔案 | 原文片段 | 補什麼 |
|---|---|---|
| guide_static.html | `hot（熱）和 cold（冷）意思相反，但前後文很像` | 換成 good／bad 0.70（見 g1 ⑥），或補「（推論，筆記本沒算 hot／cold）」 |
| guide_new.html | `跟維基差最多（口語 vs 百科）` | （推論） |
| guide_new.html | `Colab 免費版通常 2 核；Colab 跑久會斷線、輸出會不見` | （外部知識） |
| guide_course.html | `因為論壇很少在「首都／國家」的前後文用這些字` | （推論） |
| guide_course.html | `（GloVe 是 2014 年的資料）` | （外部知識） |
| guide_static.html（g2） | `<td>約 12 GB</td>` | （外部知識） |
| guide_static3.html | `（原論文的發現）` | 改「（外部知識：Mikolov 2013 原論文）」 |
| guide_results1.html | `GloVe 有 40 萬字` | （外部知識） |
| guide_results1.html | `不然最近的字常常是題目自己` | （外部知識） |
| guide_results1.html | `例如好多州都有 Springfield` | （外部知識） |
| guide_results1.html | `這種句型重複了上萬次` | 改「很多（推論，沒數過）」 |
| guide_results2.html | `網友很少聊非洲國家的首都或美國的州` | （推論） |
| guide_results2.html | `維基有人校稿，不會這樣` | （推論） |
| guide_results2.html | `rp（residence permit）`、`iqama（卡達居留證）` | （外部知識） |
| guide_results4.html | `nangklao（<strong>34</strong>，泰國國王）` | （外部知識） |
| guide_results4.html | `「這部電影很 ___」兩個字都能填，前後文相似，詞向量分不出正反` | （推論） |
| guide_results4.html | `反映語料中的地理與歷史脈絡` | （推論） |
| guide_results5.html | `原論文也是 Skip-gram 語意類較好` | （外部知識） |
| guide_results5.html | `反義詞座標太近，加減時走到對面`、`用法太像` | （推論） |
| guide_results5.html | `論文說常常比較好的方法` | （外部知識：Levy & Goldberg 2014） |
| guide_results3.html（Q2） | `king 和 queen 前後文的差別（例如 he／his 換成 she／her）` | （推論） |

**老師／助教引語缺語境或時間點（規則 17）**：
g5 `老師在課堂上特別警告過`、`助教影片有特別講`；g6 `老師說「不是每個技巧都會更好，你要自己試」`（作業規格 PDF）；g8 `老師說過這件事`；g10 `沒放這題 0 分`（PDF 頁碼）；g11 `老師上課說「貓的鄰居常常不是貓」`（不是原話，改 W3 00:04:34–00:05:27）；g12 ④ queen「可能在前三名」（W3 00:31:24）；g14 `老師說考試「不考公式，考做作業時的 insight」`；gf `這就是老師說的 insight`。

---

## 五、要補的圖與手算小例子（規則 9、10、11）

每個例子都先放「人手算」，程式寫法放 `<details>進階`。數字都已核對過。

**E1 相似度（放 g1 觀念 2）**
假設詞向量只有 2 個數字：cat＝(3, 4)、dog＝(4, 3)、truck＝(4, −3)。

1. 第 1 小步，乘起來加總（內積）：cat·dog＝3×4＋4×3＝24；cat·truck＝3×4＋4×(−3)＝0。
2. 第 2 小步，算長度：|cat|＝√(9＋16)＝5；|dog|＝5；|truck|＝5。
3. 第 3 小步，相除：相似度(cat, dog)＝24 ÷ (5×5)＝0.96（很像）；相似度(cat, truck)＝0 ÷ 25＝0（沒關係）。
4. 配圖：原點出發三支箭頭，標出 cat 與 dog 的小夾角、cat 與 truck 的直角。

出處：老師 W2 02:00:40「兩個向量之間算 cos 就是這個公式」。

**E2 b − a ＋ c（放 g1 觀念 3）**
man＝(1, 1)、woman＝(1, 3)、king＝(5, 1)、queen＝(5, 3)。題目「king : queen ＝ man : ?」，a＝king、b＝queen、c＝man。

1. 第 1 小步：b − a＝queen − king＝(0, 2)（「變成女性」這一步）。
2. 第 2 小步：再加 c：(0, 2)＋man＝(1, 3)，在圖上標 ★。
3. 第 3 小步：算 ★ 跟每個字的相似度：woman 1.00、man 0.89、queen 0.76、king 0.50。
4. 第 4 小步（邊界情況，獨立一步）：答案不能是 a、b、c 自己，所以把 king、queen、man 排除，剩下的第一名就是 woman。

在真的 100 維字典裡，★ 不會剛好落在 woman 上，所以第 4 步很重要。

**E3 一題真的題目走完全程（放 g4「考出來的成績」前，或 g7）**
In [38] 印出的真題：`boy girl father mother`（家人／性別小類）。

1. a＝boy、b＝girl、c＝father，正確答案 d＝mother。
2. 用 Wiki 20% 字典算 girl − boy ＋ father。
3. 排除 boy、girl、father 之後，第 1 名是 **stepmother**，mother 排第 **2**。
4. 只看第 1 名：這題算**錯**；看前 3 名：這題算**對**。
5. 19,544 題每一題都照做，答對的題數 ÷ 19,544＝正確率 48.39%。

這一題同時可以當 E7（前 k 名）的例子。

**E4 雜訊（放 g9「先學會一把尺」與 g12 ①）**
In [34] 的 4 次整體正確率：seed 42＝46.12、seed 1＝46.05、seed 2＝47.10、seed 3＝46.34。

1. 第 1 小步，找最高與最低：47.10、46.05。
2. 第 2 小步，相減：雜訊＝47.10 − 46.05＝1.05 個百分點。
3. 第 3 小步，拿來比：5%→20% 整體差 48.39 − 46.12＝2.27 ＞ 1.05，所以算「超過雜訊」。
4. 反例（語意類）：4 次是 55.35、54.18、55.98、54.72，雜訊＝1.80；5%→20% 只差 1.35 ＜ 1.80，所以**不算**。

配圖：一條數線，4 個點，括號標「雜訊 1.05」，再用 ★ 標 48.39，箭頭標「差 2.27」。

**E5 Word2Vec 網路（放 gk 第 4 點）**
字典只收 4 個字：the、cat、licked、fur。詞向量只有 2 個數字。矩陣 V 有 4 列，每列 2 個數字。

1. cat 的 one-hot＝[0, 1, 0, 0]。
2. one-hot 乘 V＝取出 V 的第 2 列——這就是「查表」。
3. 訓練完，V 的第 2 列就是 cat 的詞向量。

softmax、cross-entropy 放 `<details>`。配圖：one-hot → V →（2 個數字）→ U → 4 個字的機率，箭頭上標「查表」「算機率」。

**E6 負取樣（放 gk 第 5 點、g6 negative 列）**
句子「the cat licked its fur」，中心字 cat。

1. 正例：(cat, licked) → 標「是」。
2. 照字頻隨機抽 2 個字當負例（作業設 5 個，這裡用 2 個好算）：(cat, piano)、(cat, river) → 標「不是」。
3. 電腦只練習「這一對是不是真的前後文」，每次只調 cat、licked、piano、river 這 4 個字的數字，不用碰其他 30 萬字。

**E7 前 k 名正確率（放 g12 ④）**
用 E3 那一題：第 1 名 stepmother（錯）、第 2 名 mother（對）。

| 規則 | 這題算 |
|---|---|
| 只看第 1 名 | 錯 |
| 前 3 名 | 對 |

19,544 題都這樣算，就得到 48.39 → 61.53 → 66.32 → 71.74。

**E8 t-SNE（放 g4，`<details>`）**
不能手算，改成能照做的三步說明：

1. 先在 100 維裡，替每個字列出「誰是我的近鄰」（perplexity 15 ≈ 照顧 15 個左右）。
2. 在 2 維紙上隨便撒點。
3. 一直挪動點，讓「100 維裡是近鄰的，紙上也靠近」。

所以只保證「近的還是近」，不保證「遠的有多遠」。圖本身要用程式加上紅框與箭頭（規則 9、14）。

**E9 3CosMul（放 g12 ⑥，`<details>`，外部知識）**
3CosAdd 是「★＝b − a ＋ c，找最靠近 ★ 的字」。
3CosMul 是對每個候選字 d 算 相似度(d, b) × 相似度(d, c) ÷ (相似度(d, a)＋一個很小的數)，挑最大的。gensim 會先把相似度換到 0～1。
白話：要「像 b、也像 c，但不像 a」，用乘除而不是加減。

**E10 PCA（放 g12 ⑦，`<details>`）**
畫 6 個 2 維點，散成一個斜的橢圓。

1. 找出點分布最長的方向，那條線就是第 1 主成分。
2. 跟它垂直的就是第 2 主成分。
3. 把每個點投影到這兩條線上，就是 PCA 圖。

配圖時直接畫出那兩條線。

**E11 覆蓋率（放 g10）**
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。

**E12 每 100 萬字出現幾次（放 g10 字頻表）**
cheapest 在論壇每 100 萬字 27.50 次，論壇教材共 7,292 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。（推算，筆記本只印每 100 萬字。）

---

## 六、影響最大的 10 項修改（依「讀者看不懂的程度」排序）

1. **加「本文用語表」＋全文比喻宣告，並把「鄰居」一詞兩義拆開**（規則 1、5、13）。
   這是讀者最常卡住的地方：第 1 節的「看鄰居學出來」和「找最近的 5 個鄰居」是兩件事。改名 #1、#3、#4 一起做。
2. **第 1 節補三個能手算的小例子：相似度（E1）、b − a ＋ c（E2）、排除 a、b、c 的邊界小步**，圖上標 ★（規則 9、10、11、12）。
   目前讀者算不出任何一個 0.70 或 48.39 是怎麼來的。
3. **在給 19,544 題的正確率之前，先用一題真題走完全程**（E3：boy girl father mother → stepmother，mother 第 2 名）（規則 8）。
   同一題可以接著教前 k 名（E7）。
4. **雜訊這把尺用 4 個真數字手算一次（E4），並在 g9、g12 一致使用**：拿掉「勉強」、上升下降同一標準（C1）、停用詞表補國名→國籍 +2.19（C2）（規則 10、16）。
5. **把「分」拆成「正確率／百分點／配分」三個名字**（改名 #2）。
   報告題的配分（10%、15%）和正確率（48.39%）都用 %，差值又叫「分」，初學者會混。
6. **邏輯框架改成照理解順序**（one-hot → TF-IDF → … → BERT），術語密集的格子收進 `<details>`；「我做了什麼」的技術決定表移到第 1 節之後或收起來（規則 2、6）。
7. **g4 程式講解拆成「3 步主流程＋2 個邊界情況」，並修正「程式直接報錯」與「查不到算錯」的矛盾**（C8）（規則 6、12、18）。
8. **修掉 6 個事實性矛盾**：3 次／4 次（C3）、審查員 4 位／8 位（C6）、38／40 分鐘（C9）、g1「完全取決於讀了什麼文章」（C4）、gf「差異只能來自內容種類」與「同參數」（C5）、sourpuss 三種說法（C7）（規則 18）。
9. **「第 N 格」全部換成 In [n]，實驗 ①～⑦ 標上筆記本的「第 5 題 (a)～(g)」與 In 編號**（改名 #7、用語表）（規則 13）。
   讀者對照筆記本時才找得到。
10. **補齊 21 處未標的推論／外部知識，以及 8 處沒有時間點的老師引語**（第四節）。
    另修 4 個過頭說法：「都是錯字」「全部是科技」「只罰用了沒寫」、cat「驗證看看」卻沒寫出不利結果（規則 15、16、17）。

> 另外：15 個節沒有「所以對你的影響是」（g0、gw、gk、g2、g3、g4、g5、g7、g8、g9、g11、g12、g16，以及只有近似 callout 的 g6、g10），第三節已逐節給了一句可直接貼的內容。
> 沒有「考試可能問」的課程節：g1、gk、g12。

本審查的每一項判斷都來自實際查證：讀完組好的 HTML 全文、各節草稿原始碼與 `build_guide.py`，並逐一對照 `_extract2\outputs.txt` 的輸出，以及 W3 逐字稿與先前審查紀錄 05e、05g 的時間點。標「推算」的數字是用輸出裡的數字相除得到的。