用公众号旧文做内容分析，怎样避免把缺失当成没发过？

面向整理公众号研究语料的研究助理，将区间覆盖、正文状态与分析准入分开记录，保留缺失原因和统计口径，让历史文章能被检索、复核和再次分析。

先记录看到了什么，再判断没有什么

用公众号历史文章做内容分析，先确定研究范围，再把区间是否核全、正文是否可读、是否进入分析分开记录。某个月没有本地文件，只能说明当前档案没有观察到文章；未核实完整发文记录前，不能把它记成“当月零发文”。

本文面向为课题整理公众号语料的研究助理。例如，要比较同一账号不同学年的栏目变化，下载之后就统计关键词，可能把尚未取得的旧文或正文缺失误判成主题消失。以下场景和编号均为方法示例，不对应真实研究结果。

先写清账号、目标起止日期、纳入的内容形态和分析单位。按单篇文章链接计数，还是按一次推送计数，需要事先约定；每篇的 HTML 和 Markdown 是两种文件格式，不能算两篇作品。

另按月份或学期列一张范围表，记录已取得批次、实际最早与最晚日期、尚未取得的区间、独立核对依据。只有两端日期覆盖目标区间，仍不能证明中间没有遗漏。

有权取得完整发文台账时，可逐项比对；没有这样的依据，就写“范围待核”，不要计算全量覆盖率。W3C 的数据质量词汇文档给出的完整性指标示例，以声明范围内应有的记录数为参照。应用到这里，关键是先说明“应有什么”，不能拿下载成功率代替历史内容覆盖率。

在 MPHistory 粘贴该号一篇公开文章链接，预览确认账号后，可按需取得历史包。它从最新往前分批打包，提供 HTML、Markdown、本地图片、目录页和 manifest.csv。篇数、续接条件、价格及服务器保留期限，查看首页当前规则。

保留原始 zip，在解压副本上整理。清单中的一条记录不代表正文完整；对正文不可用的条目，也保留题名、原文链接和状态，之后才能知道分析排除了什么。

图片型文章尤其需要逐篇判断：若研究主题来自图片中的文字，Markdown 正文可读也不等于材料可分析。自行转录时标明对应图片与复核位置；视频、音频不能因为文章在包内就视为已离线保存。

从清单复制来源信息，另建分析台账，不覆盖原始清单。给每篇分配固定编号，保留原题、作者或署名、公众号、发布日期、原文链接、批次和本地路径，再补研究决定。

下面是自建台账的填写示例，并非产品自动生成的字段：

同名文章不要直接去重；不同地址疑似指向同一文章时，核对后再记录对应关系。这里合并的是分析记录，原始包仍保留。

“主题未编码”也要与“核读后不属于该主题”分开。正文缺失时，不要仅凭标题填上主题，更不能统一填成“其他”或数值零。UK Data Service 的数据准备指南要求说明采集、处理过程，并定义和记录缺失值。这里据此把缺失原因与主题判断分列，具体字段由研究者自行设计。

汇总前，分别列出发现的独立文章记录、正文可用的记录、最终纳入分析的记录，以及排除原因。题名可用的条目可能进入题名分析，却不能自动进入正文分析；两种分析应各有准入规则。

如果只分析可读正文，结论可写“在本次取得且纳入分析的文章中……”，不要扩大为“该账号所有文章都……”。这仍可能受材料缺失影响，不能仅靠调整措辞消除偏差。

比较月份或账号时，同时查看范围表。一个月份尚未取得、另一个月份材料较全，直接比较数量没有共同口径；可暂缓比较，或把结论限定为已经核实的范围。缺失项后来补齐，另存新的纳入清单，记录变更理由，重新计算受影响的结果。

主题命中后若还要引用文中的研究发现，应继续核对原始报告或论文，方法见把公众号解读追溯到原始材料。语料可读与观点有证据支持，需要分别检查。

可在自己的研究目录中保存以下说明模板：

研究问题、账号、目标日期与分析单位：
实际取得范围、批次、保存日期：
范围核对依据、尚未核全的区间：
文章台账位置、状态字段与缺失值含义：
纳入／排除规则、去重依据、编码规则版本：
本次纳入清单、补录与结果重算记录：
原始包位置、来源信息、授权记录与访问范围：

交付前，从一个汇总结果返回纳入清单，打开对应文章，核对编码依据；再找一条缺失记录，确认能解释为何未进入分析。台账可按编号、题名、日期和状态检索，让下一次研究能复用材料，也能重新判断取舍。

保存作者和原文出处，并核对版权与授权边界。MPHistory 首页说明的用途为个人学习、研究和收藏；课题组共享、公开全文或上传外部 AI 服务，不能仅凭“研究用途”推定已经获准。权限未确认时，先保留来源信息，不扩大全文共享。

MPHistory 完成一次性历史打包，台账、检索与分析需自行维护。需要持续接收新文章，可另行了解 Mp2RSS 的订阅说明：它从订阅后收录新发布内容，不回溯历史。新材料进入研究目录时，仍需沿用同一套范围和准入记录。