公文语料/结构全量统计.md
12.7 KB查看源码公文结构全量统计（L2 客观层）#
语料：真实公文 229 篇（甲组 106 篇 + 乙组 123 篇） 方法：程序切分单篇 + 正则提取结构特征，全量非抽样 切分校验：甲组 106/107、乙组 123/123
〇、语料构成（文种分布）#
| 文种 | 甲组 | 乙组 | 合计 |
|---|---|---|---|
| 调研报告 | 30 | 45 | 75 |
| 领导讲话 | — | 44 | 44 |
| 工作意见 | — | 25 | 25 |
| 经验材料 | 22 | — | 22 |
| 工作方案 | 10 | — | 10 |
| 经验总结 | — | 8 | 8 |
| 以上六文种（本 skill 覆盖） | 62 | 122 | 184 |
| 44 | 1 | 45 | |
| 合计 | 106 | 123 | 229 |
数据源：两组的逐篇索引与语料原文均未随包分发（版权）。随包的
_meta/all_pieces.json已剥去标题与机构字段，只留数值特征。口径说明（全仓库以此表为准）：合计 229、甲乙两组 106/123、六文种 184，这三个数由
_meta/*.json直接复算得出，与参数卡.md和scripts/check_params.py的各文种n逐项一致。早期版本此处记「甲组 107、合计 230，心得体会 43，调研报告 76，工作方案 11」——那批数字来自两组的索引记录，而切分脚本的实际产出是 229 篇。所有统计都跑在实际切分出的文本上，索引值不对应任何一份被统计的文档，故一律改用实际产出值。下方「篇幅画像」的分档篇数（甲组 43+24+26+13=106、乙组 59+57+7=123）可作交叉验证。
已移出覆盖范围的 45 篇不再列细分：
all_pieces.json无文种字段，这一行的组间拆分无法第三方复算，仅由合计倒推。心得体会已移出覆盖范围（本 skill 不再提供该文种的参数、骨架和范文），但这一列保留： 本文所有全量频率统计都是在含它的 229 篇上跑出来的，抹掉它会让下面每一个百分比失去出处， 而原文已移除、无法重算。凡是引用本文数字的地方，口径都是"含心得体会 38 篇"。
两组的文种互补：甲组是方案/调研/经验/心得，乙组是讲话/调研/意见/总结。仅"调研报告"两组都有，可做跨组对比——这也是本语料中样本最厚的文种。
样本厚度对写作参数可信度的影响：
- 调研报告（75篇）、领导讲话（44篇）→ 参数可信
- 工作意见（25篇）、经验材料（22篇）→ 参数基本可信
- 工作方案（10篇）、经验总结（8篇）→ 样本偏薄，参数仅供参考
一、篇幅画像#
| 甲组 | 乙组 | |
|---|---|---|
| 平均字数 | 4,095 | 3,593 |
| 篇幅分布 | 2000-3500字 43篇 3500-5000字 24篇 5000+字 26篇 <2000字 13篇 | 2000-3500字 59篇 3500-5000字 57篇 5000+字 7篇 |
乙组篇幅集中在 2000-5000 字（94%）。甲组有 26 篇超 5000 字。
给 AI 的参数：一般公文目标 2500-4000 字。超过 5000 字只在制度设计类文件出现。
二、层级深度规律（全量）#
| 篇幅区间 | 甲组 一级/二级/三级 | 乙组 一级/二级/三级 |
|---|---|---|
| <2000 字 | 1.2 / 2.8 / 1.1 | — |
| 2000-3500 字 | 2.0 / 1.9 / 1.8 | 3.3 / 6.4 / 0.0 |
| 3500-5000 字 | 2.6 / 3.4 / 3.0 | 3.4 / 8.8 / 0.1 |
| 5000+ 字 | 4.2 / 6.6 / 5.5 | 3.1 / 8.0 / 0.6 |
两条硬规律：
- 乙组几乎不用三级标题（平均 0.0-0.6 个）——层级压到两层：
一、+（一） - 甲组层级随篇幅线性增长——5000 字以上文件三级标题平均 5.5 个，制度类文件需要细分层
给 AI 的参数：
2500-3500 字 → 一、(3个) + （一）(6个)，不用 1.
3500-5000 字 → 一、(3-4个) + （一）(8-9个)
5000+ 字 → 一、(4个) + （一）(6-7个) + 1.(5-6个)
三、开头策略分布（全量）#
甲组（n=106）#
| 策略 | 篇数 | 占比 |
|---|---|---|
| 时间/背景式 | 17 | 16% |
| 引领导讲话式 | 13 | 12% |
| 判断/立论式 | 10 | 9% |
| 目的式（为…） | 9 | 8% |
| 政治锚定式（党的十X大…） | 7 | 7% |
| 依据式（根据/按照） | 6 | 6% |
| 形势/现象式 | 4 | 4% |
| 金句破题式 | 4 | 4% |
| 第一人称式 | 3 | 3% |
| 引文件式 | 3 | 3% |
| 人物特写式 | 2 | 2% |
| 问题直陈式 | 2 | 2% |
| 其他 | 19 | 18% |
乙组（n=123）#
| 策略 | 篇数 | 占比 |
|---|---|---|
| 目的式（为…） | 16 | 13% |
| 判断/立论式 | 12 | 10% |
| 依据式 | 10 | 8% |
| 时间/背景式 | 9 | 7% |
| 政治锚定式 | 7 | 6% |
| 形势/现象式 | 2 | 2% |
| 其他 | 60 | 49% |
关键发现：
- 没有单一主导策略——最高占比仅 16%。这直接反驳"公文开头都是套话"的印象
- 乙组"其他"高达 49% 是真实特征：同题多篇并存，开头必须差异化。同题异构强制了开头创新
- 甲组"引领导讲话式"占 12%——用领导讲话破题是高频且有效的策略
- "依据式"（根据/按照）只占 6-8%——远低于常识预期，说明优秀公文不倚重程式化开头
真实开头样本#
时间/背景式：
"2013年9月，国务院出台《大气污染防治行动计划》（简称《大气十条》），明确了大气污染防治的总体要求和主要任务"
判断/立论式：
"'圆梦女孩志愿行动'是关爱女孩行动的延续和创新，是'中国梦'具体化的公益行动，是偏远贫困地区女孩梦想的寄托"
金句破题式：
"事故源于隐患，防范胜于救险" "文以载道，文达政通"
引领导讲话式：
〔示意〕"（日期），在（上级机关工作会议）上，（中央领导）指出，要始终出于公心、秉持改革精神…"
人物特写式：
〔示意〕"眼前的（某某）是一个衣食无忧、安享晚年的老人，他今年74岁了，看着要比实际年龄小不少"
（原文对该受访者另有三句外貌白描，属私人个体信息，此处不转录。可迁移的是"先给年龄、再给一句反差判断"这个起手式。）
问题直陈式：
"现行分散的交通运输行政执法体制存在着机构林立、人员膨胀、执法力量分散、执法机构性质定位不合理、执法经费缺乏保障、社会形象不好等问题"
四、收尾模式分布（全量）#
| 模式 | 甲组 | 乙组 |
|---|---|---|
| 自然收束（无程式化结语） | 92 (87%) | 92 (75%) |
| 总结升华式 | 7 (7%) | 4 (3%) |
| 号召/展望式 | 2 (2%) | 14 (11%) |
| 汇报机制式 | 2 (2%) | 1 (1%) |
| 执行要求式 | 2 (2%) | 3 (2%) |
| 建议/期望式 | 1 (1%) | 9 (7%) |
重大发现：优秀公文的收尾以"自然收束"为主（75-87%），而非程式化结语。
这与模板类 skill 的假设正好相反。模板通常规定"通知结尾用'请遵照执行'、请示用'妥否请批示'"，但在这 229 篇里，程式化结语出现率极低。
原因推测（需验证）：
- 乙组和"经验材料/调研报告"类不需要程式化结语
- 法定公文（通知/请示）在语料中占比小
乙组"号召/展望式"占 11%——领导讲话必须以鼓劲收尾。
给 AI 的参数：
调研报告/经验材料 → 自然收束或总结升华，不加程式化结语
领导讲话 → 号召/展望式收尾
法定公文（通知/请示/报告） → 用程式化结语（但语料支撑不足，需另找样本）
五、一级标题句法（全量 686 个标题）#
| 句法特征 | 甲组(273个) | 乙组(413个) |
|---|---|---|
| 双分句（含逗号/对仗） | 35 (13%) | 142 (34%) |
| 动宾提领（加强/推进/深化…） | 11 (4%) | 79 (19%) |
| 要素式（问题/原因/对策…） | 8 (3%) | 24 (6%) |
| 其他 | 219 (80%) | 168 (41%) |
| 平均字数 | 13.0 | 17.0 |
| 中位字数 | 12 | 17 |
核心差异：
- 甲组标题短而实（13字）：
一、指导思想二、主要做法一、背景——业务文书用最少的字标示内容板块 - 乙组标题长而有观点（17字，34%双分句）：
一、脱贫攻坚已经进入深水区，要用"扣扣子"的精神端正思想认识——乙组用标题展示思考深度
真实标题样本对比#
甲组（信息标示型）：
一、指导思想
二、主要做法
一、强制执行的现状
二、发展相对滞后的原因
三、调研中反映的主要问题和工作建议
四、会议对泥沙工作提出的要求
乙组（观点承载型）：
一、脱贫攻坚已经进入深水区，要用"扣扣子"的精神端正思想认识
三、在"改"中抓常抓长，推动党员干部作风不断向好转变
一、感悟领袖关怀和省委决心，汲取走好"最后一公里"的精神力量
二、追本溯源，深入挖掘形式主义危害和原因
三、着力在真用上下功夫，自觉用以武装头脑、指导工作、推动实践
给 AI 的参数：
业务性文件（方案/通知/意见） → 标题 4-8 字，只标示内容
分析性文件（调研/汇报/讲话） → 标题 14-20 字，双分句结构，前半句动作+后半句目的
六、段内分层标记（全量）#
| 标记 | 甲组 均值/篇 | 乙组 均值/篇 |
|---|---|---|
| 一是/二是/三是 | 5.6 | 5.3 |
| 第一，/第二， | 1.1 | 0.5 |
"一是二是三是"是绝对主力，出现频率是"第一第二"的 5-10 倍。
给 AI 的参数：段内分层默认用"一是…二是…三是…"，全篇 5-6 组。"第一/第二"仅在特别正式的论证段使用。
七、数据密度（全量）#
| 甲组 | 乙组 | |
|---|---|---|
| 完全不用百分比的篇数 | 64/106 (60%) | 88/123 (72%) |
| 百分比数量中位 | 0 | 0 |
| 75 分位 | 2 | 1 |
| 最大值 | 48 | 11 |
这是最反直觉的发现：60-72% 的真实公文完全不用百分比。
含义：
- 数据不是公文质量的必需品——本语料中大多数篇目没有精确统计数据
- 数据密度呈极端分布——少数业务型文件数据密集（最大 48 个百分比），多数靠逻辑和判断力取胜
- 对 AI 写公文的直接启示：无法核实的数据不要编造，用逻辑深度替代
给 AI 的参数：
不掌握真实数据时 → 不编造，靠分析逻辑和判断力撑起文章
掌握真实数据时 → 用对比/递进关系呈现，而非堆砌绝对值
百分比目标：0-3 个（除专门的数据分析类文件）
八、力度词密度（全量，每千字）#
| 力度等级 | 甲组 | 乙组 |
|---|---|---|
| 强制（应当/必须/不得/严禁） | 0.58 | 0.56 |
| 要求（要/切实/确保/务必） | 5.79 | 10.08 |
| 建议（建议/可以/鼓励/支持） | 1.30 | 0.76 |
| 期望（希望/期望/争取/力争） | 0.19 | 0.58 |
规律：
- 强制词密度稳定在 0.56-0.58/千字——两组高度一致，说明这是公文的"结构性常数"。一篇 3000 字公文约 1.7 个强制词
- 要求词是主力，乙组近乎甲组 2 倍（党建类文书要求性表述更密集）
- 甲组"建议"是乙组 1.7 倍——甲组含大量向上级建言的政策建议
- 乙组"期望"是甲组 3 倍——领导讲话需要鼓劲收尾
给 AI 的参数：
3000 字公文的力度配额：
强制词（必须/应当/不得）：1-2 个
要求词（要/切实/确保）：17-30 个
建议词：2-4 个（上行文加倍）
期望词：0-2 个（讲话稿加倍）
九、与模板类 skill 的假设冲突#
本次全量统计推翻了几个常见假设：
| 常见假设 | 全量数据 |
|---|---|
| 公文开头都用"根据…""为…" | 依据式仅 6-8%，目的式 8-13% |
| 公文结尾必须用程式化结语 | 75-87% 是自然收束 |
| 好公文要有数据支撑 | 60-72% 完全不用百分比 |
| 一级标题应简短标示内容 | 分析类文件标题平均 17 字，承载观点 |
| "必须/应当"体现文件力度 | 密度仅 0.57/千字，是稀缺资源 |
结论：模板化的"公文套路"其实是平庸公文的特征。本语料的真实公文在开头、标题、收尾上高度多样化，真正的共性在层级结构规律和力度词配比上。
附：数据文件#
随包分发的只有 _meta/all_pieces.json — 229 篇的逐篇数值特征（字数、各级标题个数、"一是二是"与"第X，"次数、顿号密度、力度词计数、百分比个数、卷别）。标题、发文机关、首末句、一级标题清单已剥离，故本文的频率类结论（开头策略、收尾模式、标题技法分布）无法从该文件复算，只有层级与力度词类结论可以。
L1 词频原始数据、统计输出原文与切分脚本未随包分发。
文件内容是平台检查时读出的文本，只供查看。平台不会运行包里的任何脚本或程序。
