# D1.7 | 冻结样本抽取协议（2026-10-12）

## 目标，不等于总体代表性

建立**18份可追踪的定向系统抽样样本框**，不是“中国政府全部讲话”随机样本，也不是“中国官媒整体水平”调查。每一层**只有一家机构**：商务部、外交部、人民日报。这些来源不代表整个政务、外交或媒体生态。今后要扩大机构覆盖面，需要新独立样本，不要把新增案例直接塞入既有18份分母。

## 日期与体裁规则

2025年六个双月间隔的指定月份：1、3、5、7、9、11。每个月锚定日15日；不可根据文本是否出现某个套语更换日期。

1. GOV: 商务部完整**例行**新闻发布会实录，选择每月**距离15日绝对日差最小的已验证完整例行实录**；同差优先较早日期。专题发布会不入此框。须通过商务部官方目录逐月确认最近场次；初步已登记的1月9日、7月10日需对照官方全场次索引最终核验，不能将搜索未命中视为不存在。见 `selection_exception_log.csv`。
2. DIP: 外交部完整中文例行记者会实录，选择最接近15日的官方工作日实录，同距更早日期；不是片段新闻或视频剪辑。2025年3月和11月15日是周六，按规则落在此前的14日。
3. MED: 《人民日报》指定月15日**第01版**在线目录中排列第一、且含全文的文字文章，选择目录第一条，不按标题喜好挑选。即使它是礼节性外事消息，也必须保留；报道子类分层，避免在仅六条文本上混合社论、政务简讯、现场通讯得到笼统比率。**完整单篇文章**为计量单位；网页渲染两次正文只保留一份。

## 质量门槛：现阶段全18篇仍未通过本地全文验收

`VERIFIED_FULL_QA_VISIBLE`=网页阅读中可见完整问答，但不代表在本地下载原始字节。`VERIFIED_FIRST_LINK_FROM_ARCHIVE`=核实目录中的第一篇和文章 URL；不意味着已完成正文 QA。要进入任何自动 NLP、出现率统计，必须保存原 HTML 字节 SHA-256、正文提取文本与独立 QA 决定，并明确去重逻辑。若网络或版权条款限制保存，不得绕过；仅保留经允许的研究性引述与链接。

## 不可更改的防偏差要求

- 不能只保留典型的“空话”而扔掉具体回答、完整报告或不喜欢的话题。
- 任何采集失败都记为 `MISSING_BLOCKED`，报告漏抓率，不用更有戏剧性的案例替换。
- 商务部与外交部：如果记者一个问题含两项事实请求，须拆成两个 question slots；主指标只在同一问题类型内部衡量。
- 官媒首版：标题、导语、正文要分开；新闻引述的官员话不能全部当成记者自己的行文；「符合资格」不是「实际申请」或「因果增量」。
- 避免一维“废话率”：分开展示套语频次、可核查信息项、具体性和回应完整度。心理/政治传播机制只是潜在解释，不得未经受众实验推断真实受众效应或发言者意图。

## 版本冻结与例外

18条 URL 被锁定；若独立官方会议索引证实7/17存在完整例行发布会，应创建更正记录而不是静默替换，并重算全部后续输出；只有原文已确认的机构/时间错误才允许版本修正。冻结不等于保证源网站永不改版。