用途
Supplementary Engagement Analyses 提供三项互补分析，回答单靠互动指标无法回答的问题：(1) 情绪化内容是否真的与高互动相关；(2) 哪些讨论串在原始发帖人离开后仍持续发挥影响力；(3) 语料库中暴露了哪些非公开数据。核心原则：互动是多维度的——分数计数衡量关注度，情感-互动相关性衡量共鸣，讨论串深度衡量影响力持续性，隐私审计衡量风险。
何时使用
- 语料库同时具备互动指标（分数、投票、点赞、反应）和可测量情感文本
- 带有回复链的讨论串（评论引用父级）
- 可能包含非公开数据（IP、邮箱、关联身份）的内容导出
- 需要区分真实声音与迎合大众的内容
- 调查高分内容是否也是最情绪化的
- 识别“话语催化剂”——引发深层讨论串的帖子/评论
何时不使用
- 语料库完全没有互动指标（跳过分析 1；分析 2-3 可能仍适用）
- 内容是扁平的（无回复结构）——跳过分析 2
- 语料库已完全公开且无 PII 风险——跳过分析 3
- 需要对互动驱动因素做因果论断（本技能测量相关性，而非因果性）
工作流
检查清单：
- Step 1: 验证每项分析的数据前提
- Step 2: 情感-互动相关性（分析 1）
- Step 3: 讨论串深度与影响力映射（分析 2）
- Step 4: 隐私审计（分析 3）
- Step 5: 跨分析综合
- Step 6: 将发现写入 docs/analysis/09-supplementary-engagement.md
快速参考
| 分析 | 所需输入 | 关键输出 | 最少数据 |
|---|---|---|---|
| 情感-互动相关性 | 文本 + 数值互动指标 | 散点图、Pearson/Spearman r、p 值 | 30+ 条同时具备两个字段的项目 |
| 讨论串深度与影响力映射 | 带父级引用的回复链 | 深度分布、催化剂识别 | 20+ 个至少 3 层的讨论串 |
| 隐私审计 | 任意非公开字段 | PII 清单、风险分类 | 任意语料库（有数据就应运行） |
Step 1：验证数据前提
在运行任何分析前，先核验可用数据。通过 validate_prerequisites 函数检查各项分析可行性：分析 1 需同时具备文本列和互动列且有效样本不少于 30；分析 2 需存在父级引用列；分析 3 只要有数据即可运行。若某项分析无法运行，需在输出报告中记录原因，不要静默跳过，也不要为缺失数据编造结果。
Step 2：分析 1 — 情感-互动相关性
问题：高分内容是否也是最情绪化的？还是克制、有分寸的内容表现同样好？
2a. 情感打分：使用适合语料领域的分析器。通用文本可使用 TextBlob，返回极性（-1 到 +1）和主观性（0 到 1）。同时计算绝对极性（abs_polarity），因为强烈正面和强烈负面内容都可能与互动相关，仅测试原始极性会遗漏“争议驱动互动”的模式。
2b. 相关性分析：对原始极性、绝对极性和主观性分别计算 Pearson 和 Spearman 相关系数及显著性。样本少于 30 条时返回数据不足错误。Spearman 为基于秩的方法，不假设分布，优先采用。
2c. 解释框架：
| Spearman r | 强度 | 解释 |
|---|---|---|
| 0.00 - 0.10 | 可忽略 | 情感不能预测互动 |
| 0.10 - 0.30 | 弱 | 轻微倾向；其他因素主导 |
| 0.30 - 0.50 | 中等 | 值得调查的有意义关系 |
| 0.50 - 0.70 | 强 | 情感是重要的互动预测因素 |
| 0.70 - 1.00 | 极强 | 真实内容数据中罕见；需验证是否为伪影 |
始终报告：相关系数、p 值和样本量。n=30 的“显著”相关与 n=3000 的含义不同。
关键区分——真实声音与迎合大众：若绝对极性与互动强相关而原始极性不相关，模式为“情绪强度驱动互动，与方向无关”；若只有正面极性相关，模式为“迎合大众的正面情绪”。需报告数据呈现的是哪种模式。
Step 3：分析 2 — 讨论串深度与影响力映射
问题：哪些讨论串在原始发帖人离开后仍持续对话？这些是“话语催化剂”——触发自维持讨论的内容。
3a. 计算讨论串深度：深度 0 = 顶层帖子/评论（无父级）；深度 N = N 层回复深。通过 compute_thread_depths 构建父级查找递归计算，再通过 build_thread_stats 生成每个讨论串的统计（最大深度、回复数、独立作者数）。
3b. 识别话语催化剂：满足以下条件的讨论串——最大深度 ≥ 4、独立参与者 ≥ 3、原发帖人的最后回复深度 < 最大深度 / 2（讨论串在原发帖参与之外持续很久）。find_catalysts 函数输出 thread_root、max_depth、reply_count、unique_authors、op_max_depth 及 continuation_ratio。
3c. 讨论串深度分布：报告分布形状，而不仅是均值。
| 指标 | 揭示内容 |
|---|---|
| 中位深度 | 典型对话长度 |
| 第 90 百分位深度 | 深层讨论所在位置 |
| 仅深度 1 的讨论串占比 | 零后续内容的比例 |
| 深度 5+ 的讨论串占比 | 持续对话的比例 |
| 催化剂数 / 总讨论串数 | 自维持讨论的比率 |
Step 4：分析 3 — 隐私审计
问题：此语料库中暴露了哪些非公开数据，风险等级如何？
此分析不是可选项。若语料库包含任何数据，就运行隐私审计。不要假设所有数据都安全。
4a. 系统性 PII 识别：PII_PATTERNS 包含 email、ip_address、phone_number（均为 HIGH 风险）、url_with_username、date_of_birth（均为 MEDIUM 风险）。audit_pii 函数扫描所有字符串列，返回发现清单，含列名、PII 类型、匹配数、风险等级、建议操作和样本行号。高风险项建议在任何再分发前进行脱敏。
4b. 列级风险分类：
| 列类型 | 风险等级 | 理由 |
|---|---|---|
| IP 地址 | HIGH | 可地理定位，可关联至 ISP 记录 |
| 邮箱地址 | HIGH | 直接识别个人 |
| 电话号码 | HIGH | 直接识别个人 |
| 关联账户标识符 | HIGH | 跨平台身份关联 |
| 位置字段（城市、邮编） | MEDIUM | 组合时为准标识符 |
| 亚分钟精度时间戳 | MEDIUM | 行为指纹潜力 |
| User-agent 字符串 | MEDIUM | 设备指纹潜力 |
| 用户名（公开平台） | LOW | 已公开，但聚合增加暴露 |
| 内容正文 | LOW* | 可能含自披露 PII |
*内容正文结构上为 LOW，但仍须扫描嵌入的 PII（见 Step 4a）。
4c. 风险分级：CRITICAL 表示 3+ 列含 HIGH 风险 PII 或内容正文含 HIGH 风险 PII，在脱敏前不得进行任何可能再分发此数据的分析；ELEVATED 表示仅在 1-2 个结构列中含 HIGH 风险 PII，需脱敏 HIGH 风险列并谨慎继续；MODERATE 表示……（原文此处内容截断，未提供完整分级标准）。
使用方式
按上述工作流逐步执行，复制检查清单跟踪进度，最终将发现写入 docs/analysis/09-supplementary-engagement.md。代码示例保留原文。
限制
本技能测量相关性，不做因果论断。每项分析均有最少数据要求，不足时需在报告中说明而非编造。内容为扁平时无法运行讨论串分析，无 PII 风险时无需隐私审计。原文中 MODERATE 风险分级的具体标准未提供完整内容。除资料明确说明外，暂未提供其他功能、收费、价格、平台或效果信息。