学术文本分析流水线

解决什么问题

对政治文献、经典著作、讲话稿这类一手文本做系统化分析时，最常见的失败不是方法选错，而是计数对不上：自动统计把子串当独立词重复计入，"党中央集中统一领导"和"集中统一领导"被算成两条；编码单位从 13 段扩到 19 段后，正文里还留着旧数字。这个技能把一个约 1.6 万字的真实课题（习近平党建思想文本分析）拆成五个阶段，每阶段带质量关卡，不允许跳步或合并。

核心能力与关键步骤

语料准备。 .doc 是 OLE2 二进制，python-docx 读不了，只能走 Word COM 自动化；替换 docx 图片前必须先查 document.xml.rels 确认 rId 映射，它不按顺序排列。Word COM 导出的 TXT 在中文 Windows 上默认 GB18030 编码。分析前先建语料 profile：总字数、篇目数、时间覆盖范围、节录体或编年体等结构特征。

词频与段落抽取。 标题行靠「下一行是纯日期行」判定；节录体的年份归属于前一段。核心段落分两层：字面表述段落，加通过 TIER1/TIER2 关键词搜出的延伸论述，并明确排除仅举例、仅作修辞前提、主题偏到纪律监督的段落。

三级编码。 开放式编码跑三轮独立编码并报 Cohen's Kappa（≥0.80 为 substantial agreement）；主轴编码要求各主类计数之和严格等于开放编码总数，跨类概念只在主类计一次；选择性编码要求核心类是「本质规定性的多维建构」这类整合概念，而不是「五维内涵结构」这种结构标签。

写作与校验。 表格必须完整，不接受「部分」「等」；正文数字与 JSON、表格、图表三方对齐；方法实为文本分析时不能用「实证分析」。压缩策略是「去脂不抽筋」：删文献名单、编年叙述和复述表格的文字，保留发现与论证。

适用边界与注意点

它面向一手文本的定量/半定量分析，不是通用写作助手。扎根理论编码的判断必须由研究者本人完成，Kappa 值只是可报告的一致性指标。AIGC 降分只是附带结果，不应当作主要目的。