# 繁體中文長篇新聞的量測：人類側（T）與機器側對照組（M）（`ZH-NEWS-CORPUS-2026` 的 digest）

> 目的：給 `references/languages/zh.md` 的中文校準補上一份繁體中文量測：人類側（T）讓台灣編輯常說的幾條 heuristic 有出現率可查，機器側對照組（M，三個模型的合成文）給同一語域的 register-to-register 比較；並記下兩側各能說什麼、不能說什麼。來源 metadata 在 [sources.md](sources.md)（`ZH-NEWS-CORPUS-2026`）。本文沒有任何原文引句；所有數字是率、比例、比值、中位數與標準差，量測輸出沒有語料規模以外的計數，例外是細讀樣本的計數（7／169 這類，樣本數不是語料數）；機器側的篇數（119、每模型 40／39）與情境類型數是設計數字，不是量測輸出。

## 一句話結論

在一份未具名台灣出版方的長篇新聞裡（約兩千篇，繁體中文，橫跨約十年，人類文本，2026-09 私下量測，語料未散布），台灣編輯圈流傳的三條「AI 味」句型，「不是…而是」、三項頓號排比、句首「其實」，分別出現在約三成、近六成、一成五的人類文章裡，所以**單一出現不是訊號**；真正接近零的是「X地」方式副詞（每十萬字 1.9）、「……」（2% 文章）、「綜上所述／總而言之」（每十萬字 0）與總結式收尾（169 篇細讀中 7 篇）。這份量測的機器側是 119 篇合成對照組（三個模型、同一份基礎提示、Grok 版多一行不讀檔案的變體、同兩天），只能做 register-to-register 的比較，不能說「什麼是機器痕跡」。

## 語料與方法

- **語料**：一份未具名台灣出版方的長篇新聞，約兩千篇，繁體中文，橫跨約十年，人類文本。2026-09 在維護者本機量測，語料未散布，第三方無法重跑；ledger 證據等級標為 private measurement。
- **量測層**：python3 正則統計句、段、標點、引語位置與固定片語（每十萬字次數、含該形式的文章比例、篇層級中位數）；jieba 0.42.1 加大詞典做詞性標注（形容詞、副詞、名物化、四字格），jieba 以簡中訓練，對繁中的詞性只看相對值。
- **細讀層**：分層抽樣 169 篇，固定欄位逐篇筆記（結構型、開頭、引語、句子、標點、敘事者、收尾、可轉成 move 的手法），引文每則不超過 20 字、每篇不超過 3 則，筆記不進 repo。
- **年代**：語料切成早期、中期、晚期三段，只用來看方向，本文不報各段篇數也不報年份。

## 證據邊界

單一未具名出版方，一種編輯風格；人類側是真實語料，機器側是合成對照組，兩側的差異只能讀成這個語域在這三個模型、這個提示下的方向，不是 tell 的判定；jieba 對繁中詞性粗糙，形容詞與副詞密度只看相對值；開頭與收尾的啟發式分類與細讀不一致，以細讀為準；對照組不是 LLM 中文新聞的樣本，是對虛構情境的生成。

另外三點：所有比例是「含該形式的文章佔比」或「篇層級中位數」，兩者不能互換；§1b 與 §1c 每格自帶單位（每十萬字、每千 token、文章比例、篇中位、比值、細讀計數），依格讀；每十萬字的率不能換算成每篇；任何數字都不是逐段判定的門檻。人類側數字的正典分兩處：`zh.md` §1b 收錄的形式只在 §1b，§1b 未收的形式（只為對照而量的，例如數字寫法、引語長度與多句比例、引語起句、首句長、每句子句數、驚嘆號、「坦言」、「說」等）只在 §1c 的人類欄；兩處不重複。其他檔案引用時標明出處，不另立正典。

## 量測表

正典表在 `skills/sepia/references/languages/zh.md` §1b（本表的形式）與 §1c 的人類欄（只為對照而量的形式）；這裡是同一組數字加上量的種類與本機來源檔。

### 句子與段落（篇層級中位數）

| 量 | 值 | 讀法 | 本機來源 |
|---|---|---|---|
| 句均長 | 59 字 | 這是長句文體；長度本身不是訊號 | corpus-metrics.md `sent_mean` |
| 篇內句長標準差 | 34 字 | 離散是人類特徵，與 HC3 的方向一致 | corpus-metrics.md `sent_sd` |
| 三句以上近等長連串 | 每百句 2 | `style-pass.md` §5 照寫即可 | corpus-metrics.md `equal_runs_per_100_sents` |
| 一個句號前最多逗號 | 9 個 | 逗號連綴長是常態，不是「一逗到底」的證據 | corpus-metrics.md `commas_before_period_max` |
| 每句子句數 | 4.5 | 同上 | corpus-metrics.md `clauses_per_sent` |
| 段均長 | 110 字 | | corpus-metrics.md `para_mean` |
| 前五段一句段比例 | 0.4 | 單句段落當停頓是常態 | corpus-metrics.md `para_one_sent_share` |

### 標點

| 量 | 值 | 量的種類 | 讀法 | 本機來源 |
|---|---|---|---|---|
| 成對破折號「──…──」 | 15%；4.1 | 含該形式的文章比例；每十萬字（篇中位 0） | 比單用少一個量級，但存在；單獨出現不是離開常態，不設獵捕列 | 2026-09-16 補算（tools 目錄外一次性腳本） |
| 單用「──」 | 61%；40 | 含該形式的文章比例；每十萬字 | 常態 | metrics/rare.md |
| 單條「—」 | 7% | 文章比例 | 字形選擇，最多算語域不合 | metrics/rare.md |
| 「……」 | 2%；0.9 | 文章比例；每十萬字 | 敘述句裡出現是離開常態；引語內是語氣 | metrics/rare.md |
| 分號 | 92% | 文章比例 | 常態，政策文類最多 | metrics/rare.md |
| 嵌套『』 | 52% | 文章比例 | 引號一律「」，嵌套『』 | metrics/rare.md |
| 三項頓號排比（A、B、C） | 59% | 文章比例 | 常態 | metrics/rare.md |
| 段末問句 | 72% | 文章比例 | 問句換段、下一段由他人接答，是可 restore 的節拍 | metrics/rare.md |

### 固定片語（每十萬字；含該片語的文章比例）

| 片語 | 每十萬字 | 文章比例 | 讀法 | 本機來源 |
|---|---|---|---|---|
| 綜上所述 | 0 | 0% | 語域不用 | metrics/rare.md |
| 總而言之／總的來說 | 0 | 0% | 語域不用 | metrics/rare.md |
| 值得一提的是 | 0.1 | 1% | 語域幾乎不用 | metrics/rare.md |
| 值得注意的是 | 0.6 | 4% | 少見 | metrics/rare.md |
| 不是…而是 | 6.3 | 30% | 單一出現是常態 | metrics/rare.md |
| 句首「其實」 | 2.8 | 15% | 常態 | metrics/rare.md |
| 此外 | 9.4 | 37% | 單用是常態；跨子句串接仍走 `zh.md` §2 | metrics/rare.md |
| 然而 | 18 | 53% | 同上 | metrics/rare.md |
| 坦言 | 4.6 | 21% | 新聞腔的 attribution 動詞，評論組接近零；但機器側三個模型每十萬字都是人類的 2–7 倍（`zh.md` §1c），不列為 restore 對象 | metrics/rare.md |
| 直言 | 3.1 | 16% | 同為新聞腔 attribution 動詞，評論組接近零；機器側未量測，restore 與否由 venue 決定 | metrics/rare.md |

### 字詞（jieba 詞性，相對值）

| 量 | 值 | 讀法 | 本機來源 |
|---|---|---|---|
| 「X地」方式副詞接動詞 | 每十萬字 1.9 | 這個語域幾乎不用；出現即離開常態，但這不是機器側量測 | lexicon.md |
| 「很」：「非常」 | 約 11：1 | 「非常／十分／極為」堆疊才是離開常態 | lexicon.md |
| 帶「○○性／○○化／○○感」後綴的詞 | 每十萬字 77 | 純詞彙計數，多為法律政策固定詞；沒有量這些詞是否當主語或包住動詞（「自我的探索」），名物化主語本身未量測 | lexicon.md |
| 「的」三連 | 每十萬字 9.8 | 比評論組少一半；新聞編輯會砍 | lexicon.md |
| 四字格 | 每千 token 2.1 | 多是邏輯連接（在此之前、如此一來），不是成語妝點 | lexicon.md |
| hedge 詞 | 每十萬字 130 | 八成是「可能」 | lexicon.md |
| 情緒：體感詞 vs 命名詞 | 13.1 vs 5.0 每十萬字 | 情緒靠動作與身體，不靠形容詞；與 StoryScope 對小說的觀察方向相反，文類決定 | lexicon.md |

### 引語（篇層級中位數）

| 量 | 值 | 讀法 | 本機來源 |
|---|---|---|---|
| 含任何「」的句子沒有 attribution 動詞（含術語與反諷引號） | 61% | 這個語域多數「」是術語不是說話，此列不能推論說話引語的 attribution | corpus-metrics.md `q_sentence_no_attrib_share` |
| 含 15 字以上「」引語的句子沒有 attribution 動詞 | 33%（q1 20%、q3 50%） | 長度是代理，不是說話分類：標題、口號、書面聲明都還在池子裡；說話引語本身未量測，此列不支持任何 restore 規則 | 2026-09-16 補算（一次性腳本） |
| `：「` 冒號導入 | 6%（全部「」引語）；10%（q1 0%、q3 22%；15 字以上引語） | 量的是一般引號「」，不是嵌套『』；冒號導入存在但是少數 | corpus-metrics.md `q_colon_lead_share`；15 字以上為 2026-09-16 補算 |
| 引語每千字 | 6.5 段 | | corpus-metrics.md `quotes_per_1k` |
| 引語中位長度 | 8 字 | 多數「引號」是術語或反諷的「所謂」式引號，不是說話 | quotes.md |
| 引語收段 | 14% | 引語收段後不補評論句 | corpus-metrics.md `quote_ends_para_share` |

### 結構（169 篇細讀）

| 量 | 值 | 讀法 | 本機來源 |
|---|---|---|---|
| 混合型 | 98／169 | 沒有單一模板 | notes-summary.md |
| 總結式收尾 | 7／169 | 引語 47、資訊 37、呼籲 29、回到人物 20、懸置 19；總結是最少的 | notes-summary.md |
| 整篇三段排比結構 | 141／169 標「無」 | 頓號三連是句內常態，整篇三段結構才少見 | notes-summary.md |
| 等長句連串 | 149／169 標「無」 | 與量測一致 | notes-summary.md |

## 對 Sepia 的推論（標「推論」，非量測所述）

1. **推論**：台灣編輯 heuristic 的三條句型在人類新聞裡出現率高，`zh.md` §4 應從「未量測」改為「人類側有出現率；單一出現是常態，叢集才走 §2 模板」。
2. **推論**：「X地」方式副詞只在新聞語域列入 §2 獵捕；小說對白、技術與事故文件裡的「緩緩地說」不在這份量測的範圍內，T 對其他語域什麼都沒說。
3. **推論**：引語收段不補評論是可 restore 的新聞寫法（細讀 47／169 引語收尾）；說話引語的 attribution 未量測（引語列只有長度代理），不從 T 推 restore。
4. **推論**：句長、逗號連綴、破折號單用、分號、「此外／然而」單用，都不是訊號，應寫進 §5。
5. **推論**：總結式收尾在這個語域接近零，與 `professional-pass.md` check 7 的方向一致。
6. **推論**：以上五點的 venue 版本寫進 `skills/sepia/references/domains/journalism.md`（長篇新聞 domain），每列 Evidence 欄標明是人類側量測、細讀計數，或尚未量測。

## 機器側對照組（2026-09-16／17）

**設計**：40 個虛構情境（場景 9、人物 7、政策 7、數據 6、調查 6、即時 5），人物、地點、機構、數字全部虛構；一個中性提示（記者身分、1,000–1,400 字、至少三則直接引語、不要 Markdown，沒有任何風格或去 AI 指令；Grok 版多一行「不要讀取檔案或 skill」，因為前兩次它把唯一一輪拿去讀內建 skill）；三個模型各在沒有任何 skill、plugin、rules、記憶的環境下 headless 產生：Grok 4.6（乾淨 HOME）、GPT-6（乾淨 CODEX_HOME）、Gemini 3.8 Flash（`--model gemini-3.8-flash-high`；先用 CLI 預設的 Gemini 3.1 Pro 跑過一組，使用者指定改用 3.8 Flash 後封存）。Grok 與 GPT-6 各 40 篇，Gemini 39 篇（一個情境兩次都回空）。用與人類側相同的量測腳本（`--dir`）。正典表在 `zh.md` §1c，這裡只列方向與讀法。

**三個模型一致且差距大**：句子短五分之一到四成（均 34–48 對 59 字），篇內離散度約一半（SD 15–19 對 34），每句子句少四分之一到三分之一（3.1–3.4 對 4.5；一句號前逗號的篇內最大值 4–5 對 9 受篇長影響，人類篇長數倍，未做長度配對，只列弱表），60 字以上句子的比例 5–23% 對 42%；數字全寫中文（阿拉伯數字每千 token 0 對 18.7）；首句短、前 80 字不含阿拉伯數字（未計國字數字，機器側數字全寫國字，所以不能說首段沒有數字）；引語中位長 3–6 倍、多句引語 4–7 倍、引語起句比例高（提示本身要求至少三則引語，會放大這組）；「不是…而是」每十萬字 2.9–7.5 倍；「坦言」2–7 倍；驚嘆號 0（人類 54% 文章有，幾乎全在引語內）；破折號幾乎不用，成對插入語 0–2% 對 15%，「英文 em dash 習慣移植」的假設在這裡不成立。

**模型各異或弱**：「此外」「然而」依模型不同；「表示」GPT-6 一家翻倍、其餘相近；段末問句無方向（GPT-6 每十萬字高於人類、文章比例低於人類，Grok 為 0）；情緒詞只有 Gemini 偏高；名物化後綴的篇中位在短篇上全為 0，是長度造成的假象，不採用；「其實」與頓號三連計數太少；小標比例是「≤25 字且無句末標點的段落」這個代理，提示禁用 Markdown，是否為小標未判定。

**HC3 的兩個方向**：離散度方向一致（人類篇內 SD 大）；平均句長方向相反（HC3 的 ChatGPT 在字數單位下略長，這裡三個模型都短）。語域與模型世代都不同，兩個數字都不是長度目標。

**限制**（原樣寫進 `zh.md` §6 與 ledger）：每模型約 40 篇、約 1,400 字，對上人類每篇數千字；一個基礎提示版本（Grok 版多一行不讀檔案或 skill 的指示，是跨模型的一個混淆源），且提示本身限了長度與引語數；虛構情境，沒有真實採訪事實；三個模型、同兩天、預設設定；短篇的篇中位比人類側更吵；沒有人類寫同一批情境，所以是 register-to-register 不是 brief-to-brief。不是分類器，不是偵測宣稱。

**規範側**：教育部《重訂標點符號手冊》修訂版（`MOE-PUNCT-2008`）規定「」『』先單後雙、引文句尾符號在引號內、「──」佔行中二格、「……」六點佔行中二格、夾注號甲式（　）乙式──　──；行政院《公文書橫式書寫數字使用原則》（`EY-NUMERALS-2004`）規定統計、日期、時間、序數、計量用阿拉伯數字，描述性用語、專有名詞、慣用語用中文數字。量測到的人類側：阿拉伯數字為主（總量分布，未標語意類別，不做與數字原則的一致性判定）；單用「──」常見，61% 文章有；「……」極少，2% 文章，兩者與標點手冊的形式相符；機器側全寫中文數字，是總量分布上的差異；本量測沒有標註每個數字的語意類別（統計、日期、序數、慣用語），不能據此說它違反該原則。詳見 `research/newswriting-guides.md`。

## 不進 skill 的東西與原因

- 敘事結構型態清單與引語處理手冊：整份放進去等於 house style 手冊，那本身是指紋；只抽上面的數字進 §1b 與 §1c 的人類欄；機器側的數字進 §1c 的三個模型欄。
- 記者層級的風格卡：單一出版方、附篇數與年代，圈內人可反推；只保留一句聚合觀察——多數個別記者的量測指標與全集差距不到 0.75 個四分位距，房子風格壓過個人風格。
- 細讀筆記與任何原文引句：不進 repo。
- 任何門檻：上面的數字都是描述，不是逐段判定線。