KWIC关键词命中矩阵：看清主题段落分布

普通词频表把同一个词的出现合并成一个数字。KWIC关键词命中矩阵进一步保留段落位置：横轴是关键词，纵轴是按空行切出的段落，单元格记录该段命中该词的次数。单元格颜色越深，表示该段对该词的命中次数越多。同组关键词会排列在同一色块下，因此既能看具体词，也能看概念组。

关键词有两种来源。自动方式从材料中选择有一定频次和区分度的候选词，再根据这些词在相同段落中的共现情况形成分组。手动方式由用户设置分组名和组内关键词，适合把同义词、近义词或固定研究词纳入同一口径。自动分组反映文本位置上的邻近关系，不等同于人工分类，也不直接说明语义关系。

矩阵始终按段落统计。页面中的热点单元粒度是另一项设置，它只决定报告底部按段落、句子列出命中密集的内容，或不输出热点清单，不会改变主矩阵。报告还按同一段落统计分组共现。对角线表示该组出现过的段落数，非对角线表示两个组共同出现的段落数。

适用文档

政策、法规和制度材料通常有清晰的条款或段落，适合比较多个政策概念的覆盖。例如把“数字化转型、智能化升级”归入转型组，把“数据治理、数据标准”归入治理组，就能看到不同概念在哪些条款同时出现。

访谈、开放题和客户反馈适合把每段回答或每条完整反馈保留为一个段落。段落边界越清楚，矩阵行越接近真实的内容单元。若多条回答连成一个长段，命中会被合并到同一行，主题共现也会随之变宽。

媒体、行业简报和学术材料可以用固定概念组观察主题分布。不同批次比较时，关键词、分组、子串或整词、英文大小写应保持一致。否则命中变化可能来自统计口径，而不是材料内容本身。

自动发现更适合内容较长、重复表达较充分的材料。极短文本中的候选词频次有限，自动结果可能不稳定。已有代码表、术语表或业务分类时，手动分组通常更容易保持解释一致。无论采用哪种方式，共现都只表示两个概念位于同一段，仍要结合原文判断关系。

使用步骤

第一步：确定关键词来源。需要先了解材料中的常见表达时使用系统自动识别，并设置最多关键词数和最多分组数。已有明确研究框架时使用手动分组，为每个概念组填写名称和关键词。

第二步：检查段落边界。矩阵按空行或双换行切分内容。可以先确认每条访谈回答、政策条款或客户反馈是否形成独立段落，避免多个无关内容被统计到同一行。

第三步：设置热点与匹配口径。热点单元可按段落、句子展示，也可以不输出热点清单。子串匹配适合扩大召回，整词匹配要求命中范围与词语边界一致。英文关键词还可统一是否区分大小写。

第四步：设置上下文样例。保留样例后，可以调整关键词左右各保留的字数，并限制每个关键词在每份材料中展示的样例数量。上下文用于复核命中的实际语义，不影响命中总数。

第五步：先读结果说明和命中概览。报告会概括总命中、高频词、未命中词、强概念组、最强共现组合和热点段落。概览同时展示文件数、段落数、关键词数、分组数、总命中和每文件平均命中关键词种类。

第六步：比较三种明细视角。文件视角比较每份材料的总命中、命中关键词种类和命中率，其中命中率等于命中关键词种类除以关键词总数；关键词视角比较词级总命中、段落覆盖和文件覆盖；分组视角比较组级总命中、段落覆盖与包含的关键词。

第七步：用矩阵定位并回到上下文。段落矩阵可以只看有命中的段落、全部段落或高频关键词列。分组共现矩阵用于寻找经常同段出现的概念组合。点击关键词或文件可以查看保留样例；点击矩阵单元格时，抽屉展示的是该关键词在同一文件中的样例，并不保证每条样例都来自被点击的具体段落，因此还要结合段落预览核对。

当材料超过800段时，矩阵保留命中较多的前800段；总命中、关键词覆盖、分组覆盖与共现统计仍基于全部段落。此时矩阵适合定位主要热点，不代表全部段落明细。

参数解析与对比示例

配置一：自动探索。关键词上限设为36，分组上限设为8，热点按段落，使用子串匹配。适合先观察材料中哪些词经常出现、哪些词在段落层面靠得较近。得到候选组后，再根据研究问题决定是否改为手动口径。

配置二：固定概念比较。手动建立3到6个概念组，把同义和近义表达放入对应组，热点按段落，保持子串匹配。适合政策口径、客户问题分类或访谈代码表已经明确的分析。

配置三：严格边界复核。沿用同一组手动关键词，把匹配方式改为整词，英文材料统一大小写设置，并保留更长的上下文窗口。适合检查组合词、缩写或英文词形是否带来额外命中。

案例分析

案例一：两份政策材料的概念覆盖。

背景：两份政策材料各保留3个独立段落，共6段。内容涉及数字化转型、智能化升级、数据治理、数据标准、数据安全、隐私保护和风险评估。

配置：手动建立转型、治理、风险3组，共7个关键词。使用子串匹配，不区分大小写，热点按段落，保留30字上下文。

结果：报告总命中20次。风险组命中9次，覆盖5段；治理组命中6次，覆盖全部6段；转型组命中5次，覆盖5段。转型与治理在5个段落里同时出现。命中最密集的段落有5次命中。

结论：治理组的总命中不是最高，但段落覆盖最广；风险组总命中最高，但有1段没有涉及。总命中和段落覆盖需要结合阅读。转型与治理同段5次只说明两组概念经常出现在同一段，不代表关系方向。

案例二：两份客户反馈的自动初筛。

背景：两份反馈材料各有3个独立段落，共6段，内容涉及配送、包装、客服回复、商品质量和售后处理。

配置：使用系统自动识别，关键词上限12，分组上限4，热点按段落，采用子串匹配并保留上下文样例。

结果：系统发现11个关键词并形成2组，总命中30次。自动形成的“包装”组命中25次，覆盖6段；“售后”组命中5次，覆盖2段。两组在2个段落里共同出现，命中最密集的段落有6次命中。

结论：自动结果快速暴露了包装、配送、客服和售后相关表达的集中位置，但“包装”组中也包含只是经常同段出现的其他词。这个结果适合发现线索。若后续要比较固定的产品、物流和服务分类，改用手动分组会更稳妥。

类似功能对比