部署前整備：對話氣泡真人感、隱私告知、Space 存取控管與 Session 自動清理

對話流程／文案：
- AI 對話補上使用者動作氣泡（上傳檔案、送出或略過語料 Metadata），避免
兩則 AI 訊息中間看起來像自問自答
- 使用者訊息泡泡改用獨立底色／邊框（淡綠），跟 AI 泡泡的中性藍灰區隔
- 對話中的 [WARNING] 純文字標籤改成 ⚠️ emoji，跟技術執行紀錄面板一致
- 使用者訊息裡殘留的舊工具名稱「ckip_segmentation_sumin」全面改為
「語料淬鍊（CorpusRefinery）」，含格式驗證訊息與失敗回退訊息
- 文本上傳卡片新增隱私提醒：告知使用者上傳內容會送第三方 AI 服務分析

部署與維運（對應 docs/開發優化建議.md 第一、四、六節）：
- app.py 新增 APP_AUTH_USERS 環境變數驅動的登入畫面（Gradio 內建 auth），
讓 Space 可保持 Public 但只有知道帳密的特定使用者能進入內容
- app_agent.py 新增 SESSIONS_DIR 自動清理：啟動時清一次、之後每 24 小時
重跑，依資料夾 mtime 判斷是否超過保留天數（預設 7 天，可用
SESSION_RETENTION_DAYS 覆寫），避免使用者研究語料無限期留在磁碟上
- app_agent.py 本機開發用的 share=True 改成看 GRADIO_SHARE 環境變數，
預設關閉，避免地端執行時意外對外開公開分享連結

使用手冊同步更新為目前實際流程（四步驟、CorpusRefinery 改名、群組層
改文字欄位、個體間比較消歧義邏輯、62/75 指標顯示範圍、下載捷徑精簡等）。

Co-Authored-By: Claude Sonnet 5 <noreply@anthropic.com>

app.py

@@ -4,9 +4,38 @@
 app.py - Hugging Face Spaces entry point
 Imports and launches the main application from app_agent.py
 """
+import os
 import app_agent
 
+
+def _build_auth():
+    """從環境變數 APP_AUTH_USERS 讀取帳密名單，開啟 Gradio 內建的登入畫面，
+    讓 Space 只給知道帳密的特定使用者進得去（即使 Space 本身是 Public 可見）。
+
+    格式（逗號分隔多組帳密，冒號分隔帳號密碼）：
+        APP_AUTH_USERS = 帳號1:密碼1,帳號2:密碼2
+
+    在 Hugging Face Space 的 Settings → Variables and secrets 以 Secret
+    方式設定這個變數（不要寫進程式碼或 .env 進版控）。本機開發若沒有設定
+    這個環境變數，則不啟用登入，維持原本可直接開啟的行為。
+    """
+    raw = os.environ.get("APP_AUTH_USERS", "").strip()
+    if not raw:
+        return None
+    pairs = []
+    for item in raw.split(","):
+        item = item.strip()
+        if not item or ":" not in item:
+            continue
+        user, pwd = item.split(":", 1)
+        user, pwd = user.strip(), pwd.strip()
+        if user and pwd:
+            pairs.append((user, pwd))
+    return pairs or None
+
+
 if __name__ == "__main__":
+    app_agent.start_session_cleanup_scheduler()
     app = app_agent.create_app()
     app.launch(
         server_name="0.0.0.0",
@@ -14,4 +43,6 @@ if __name__ == "__main__":
         share=False,
         allowed_paths=[str(app_agent.SESSIONS_DIR)],
         head=app_agent._APP_HEAD,
+        auth=_build_auth(),
+        auth_message="請輸入管理員提供的帳號與密碼",
     )

app_agent.py

@@ -13,7 +13,7 @@ app_agent.py
 # ============================================================================
 # SECTION 1: Imports & Configuration
 # ============================================================================
-import sys, io, os, re, json, uuid, shutil, warnings, functools, collections
+import sys, io, os, re, json, uuid, shutil, warnings, functools, collections, time
 import threading, zipfile, traceback
 
 # 強制 UTF-8 輸出（避免 Windows cp950 編碼錯誤）
@@ -71,6 +71,61 @@ CORPUS_INFO    = BASE_DIR / "01-Corpus" / "03-Info"
 SESSIONS_DIR   = BASE_DIR / "sessions"
 SESSIONS_DIR.mkdir(exist_ok=True)
 
+# ── Session 目錄自動清理（2026-08-22，見 docs/開發優化建議.md 第四節）────────
+# 每個 session 資料夾含使用者上傳的原始語料與全部分析產出，先前沒有任何過期
+# 清理機制，會無限期留在磁碟上（正式機部署在 Hugging Face Spaces，公開對外
+# 使用後這個問題會更明顯）。這裡加一支獨立的清理工具：只依資料夾的最後修改
+# 時間（mtime）判斷是否過期，不讀取、不解析任何 session 內部狀態，因此不算
+# 觸碰《開發優化建議.md》第五節界定的高風險核心運算區。
+SESSION_RETENTION_DAYS_DEFAULT = 7  # 保留天數，可用環境變數 SESSION_RETENTION_DAYS 覆寫
+
+
+def cleanup_old_sessions(max_age_days: int = None) -> int:
+    """刪除 SESSIONS_DIR 底下超過保留天數的舊 session 資料夾。
+
+    以資料夾本身的最後修改時間（mtime）判斷年齡：分析運算過程中會持續寫入
+    該資料夾（上傳檔案、指標 CSV、圖表、報告……），mtime 會隨之更新，因此
+    不會誤刪還在使用中的 session；只有久沒被寫入、代表使用者早已離開的舊
+    資料夾才會被清掉。
+
+    回傳實際刪除的資料夾數量（供啟動 log 顯示，非必要）。
+    """
+    if max_age_days is None:
+        max_age_days = int(os.environ.get("SESSION_RETENTION_DAYS", str(SESSION_RETENTION_DAYS_DEFAULT)))
+    if not SESSIONS_DIR.exists():
+        return 0
+    cutoff = datetime.now(timezone.utc).timestamp() - max_age_days * 86400
+    deleted = 0
+    for entry in SESSIONS_DIR.iterdir():
+        if not entry.is_dir():
+            continue
+        try:
+            if entry.stat().st_mtime < cutoff:
+                shutil.rmtree(entry, ignore_errors=True)
+                deleted += 1
+        except FileNotFoundError:
+            continue  # 極少數情況下清理過程中資料夾被同時刪除，略過即可
+    if deleted:
+        print(f"【Session 清理】已刪除 {deleted} 個超過 {max_age_days} 天未使用的舊 session 資料夾。")
+    return deleted
+
+
+def start_session_cleanup_scheduler() -> None:
+    """啟動一支背景 daemon 執行緒：程式啟動時先清一次，之後每 24 小時重跑一次。
+
+    只在程序啟動時呼叫一次即可。用背景執行緒（而非只在啟動時跑一次）的原因：
+    Hugging Face Spaces 若持續有人使用，容器可能長時間不重啟，只在啟動時清
+    一次的話，長期掛著不重啟的情況下舊資料夾一樣會無限期累積。
+    """
+    def _loop():
+        while True:
+            try:
+                cleanup_old_sessions()
+            except Exception as e:
+                print(f"【Session 清理】背景清理發生例外（不影響主程式運作）：{e}")
+            time.sleep(24 * 3600)
+    threading.Thread(target=_loop, daemon=True, name="session-cleanup").start()
+
 # ── LLM 設定 ────────────────────────────────────────────────────────────────
 LLM1_API_KEY = os.environ.get("LLM1_API_KEY", "")
 LLM1_MODEL   = os.environ.get("LLM1_MODEL",   "google/gemma-4-31b-it")
@@ -101,8 +156,8 @@ SCENARIOS = {
         "upload_prompt": (
             "1. 檔案格式：僅接受 **.txt** 純文字檔。\n"
             "2. 檔名規範：請以 **A_xx.txt**、**B_xx.txt** 等格式區分人工翻譯與機器翻譯。\n"
-            "3. 斷詞要求：必須先使用 [語料淬鍊](https://github.com/suhsiung/ckip_segmentation_sumin) 工具完成斷詞。\n"
-            "4. 內容格式：僅限 `詞_詞性`、`_詞性` 或空白行。"
+            "3. 斷詞要求：必須先使用 [語料淬鍊](https://github.com/minchun-git/I_CorpusRefinery) 工具完成斷詞。\n"
+            "4. 內容格式：僅限 `詞_詞性` 或空白行。"
         ),
         "desc": "焦點在人機差異的語言特徵。",
         "scenario_module_key": "scenario_2",
@@ -113,8 +168,8 @@ SCENARIOS = {
         "upload_prompt": (
             "1. 檔案格式：僅接受 **.txt** 純文字檔。\n"
             "2. 檔名規範：請以 **A_xx.txt**、**B_xx.txt** 等格式區分全譯與編譯。\n"
-            "3. 斷詞要求：必須先使用 [語料淬鍊](https://github.com/suhsiung/ckip_segmentation_sumin) 工具完成斷詞。\n"
-            "4. 內容格式：僅限 `詞_詞性`、`_詞性` 或空白行。"
+            "3. 斷詞要求：必須先使用 [語料淬鍊](https://github.com/minchun-git/I_CorpusRefinery) 工具完成斷詞。\n"
+            "4. 內容格式：僅限 `詞_詞性` 或空白行。"
         ),
         "desc": "焦點在文本完整性和改寫策略。",
         "scenario_module_key": "scenario_3",
@@ -125,8 +180,8 @@ SCENARIOS = {
         "upload_prompt": (
             "1. 檔案格式：僅接受 **.txt** 純文字檔。\n"
             "2. 檔名規範：請以 **A_xx.txt**、**B_xx.txt**、**C_xx.txt** 等格式區分不同群組的譯者。\n"
-            "3. 斷詞要求：必須先使用 [語料淬鍊](https://github.com/suhsiung/ckip_segmentation_sumin) 工具完成斷詞。\n"
-            "4. 內容格式：僅限 `詞_詞性`、`_詞性` 或空白行。"
+            "3. 斷詞要求：必須先使用 [語料淬鍊](https://github.com/minchun-git/I_CorpusRefinery) 工具完成斷詞。\n"
+            "4. 內容格式：僅限 `詞_詞性` 或空白行。"
         ),
         "desc": "焦點在個人風格差異。排除時代因素，討論譯者個人的語言偏好。",
         "scenario_module_key": "scenario_4",
@@ -137,8 +192,8 @@ SCENARIOS = {
         "upload_prompt": (
             "1. 檔案格式：僅接受 **.txt** 純文字檔。\n"
             "2. 檔名規範：請以 **A_xx.txt**、**B_xx.txt**、**C_xx.txt** 等格式區分不同時期的譯本。\n"
-            "3. 斷詞要求：必須先使用 [語料淬鍊](https://github.com/suhsiung/ckip_segmentation_sumin) 工具完成斷詞。\n"
-            "4. 內容格式：僅限 `詞_詞性`、`_詞性` 或空白行。"
+            "3. 斷詞要求：必須先使用 [語料淬鍊](https://github.com/minchun-git/I_CorpusRefinery) 工具完成斷詞。\n"
+            "4. 內容格式：僅限 `詞_詞性` 或空白行。"
         ),
         "desc": "分析焦點在歷時變化、語言現代化、翻譯規範的演變。時間維度是核心變數。",
         "scenario_module_key": "scenario_1",
@@ -203,43 +258,67 @@ for _cat, _items in INDEX_CATEGORIES.items():
         INDEX_NAME_MAP[_code] = _name
         INDEX_CATEGORY_MAP[_code] = _cat
 
+# 2026-08-14（業主要求）：相異字數（AA_02）＋相異詞數（AA_04）＋篇章連貫
+# 全類（AJ_01～AJ_11，共 11 項），合計 13 項暫時整理掉，不刪除計算本身，
+# 只在「結果呈現」的地方隱藏——業主拍板範圍是全面隱藏：敘述統計、差異性
+# 分析、隨機森林特徵重要性、分群分析都不再拿這 13 項當特徵，LLM 報告也
+# 不會提到；語言指標分析分頁的表格畫面同理濾掉。
+# textIndex_calculated.csv／.xlsx（指標計算原始輸出檔＋其下載）刻意不動，
+# 仍保留完整 75 項，理由是業主明確說「無須刪除」——這兩個檔案是計算結果的
+# 原始存檔，不算「結果呈現」，之後要復原顯示只要拿掉這個集合的套用即可，
+# 不用重跑指標計算。
+HIDDEN_INDICATOR_CODES = {"AA_02", "AA_04"} | {f"AJ_{i:02d}" for i in range(1, 12)}
+
+
+def _drop_hidden_indicators(df):
+    """回傳去掉 HIDDEN_INDICATOR_CODES 欄位後的 DataFrame（欄名為原始指標代碼）。"""
+    cols = [c for c in HIDDEN_INDICATOR_CODES if c in df.columns]
+    return df.drop(columns=cols) if cols else df
+
+
+# 2026-08-14：介面上凡是提到「系統共計算幾項語言指標」的地方，一律引用這個
+# 常數，不要各自寫死數字——INDEX_NAME_MAP 是系統定義的指標總表（目前 75），
+# 扣掉 HIDDEN_INDICATOR_CODES 就是使用者實際會看到的指標數（目前 62）。
+# 之後隱藏清單增減，這裡跟著自動變動，不用每次巡一遍程式碼改字面數字。
+TOTAL_VISIBLE_INDICATORS = len(INDEX_NAME_MAP) - len(HIDDEN_INDICATOR_CODES)
+
 # ── LLM 報告用情境模組（同 prog04）─────────────────────────────────────────
-SCENARIO_MODULE_1 = """## 二、情境特定分析：歷時變化分析
+SCENARIO_MODULE_1 = """## 三、情境特定分析：歷時變化分析
 
 在陳述差異時，必須將「時間順序」作為組織軸線。
 請依照以下子項目分析：
 
-### 2.1 語言現代化的跡象
+### 3.1 語言現代化的跡象
 - 詞彙難易度（AC_01, AC_02）是否隨時間呈現規律變化？
 - 成語比率（AG_06）在不同時期譯本中的變化方向？
 - 若出現非單調變化，明確標示此為反常模式，需進一步解釋。
 
-### 2.2 句式與篇章結構的演變
+### 3.2 句式與篇章結構的演變
 - 段落數、句數（AA_05, AA_06）的變化是否反映閱讀習慣的改變？
 - 詞性分布中，連接詞、代詞比例的變化是否呈現顯著化或隱化趨勢？
 
-### 2.3 譯本間的親疏關係
+### 3.3 譯本間的親疏關係
 - 根據分群結果，時序相鄰的譯本是否聚為一群？
 - 若出現時序相隔較遠��譯本反而更相似的情況，標記為需進一步探討的現象。
 
 ### 禁令補充
 - 不得將「較新」直接等同於「較現代」或「較好」。"""
 
-SCENARIO_MODULE_2 = """## 二、情境特定分析：人機差異分析
+SCENARIO_MODULE_2 = """## 三、情境特定分析：人機差異分析
 
-### 2.1 機器翻譯典型特徵的檢視
+### 3.1 機器翻譯典型特徵的檢視
 根據量化數據檢視機器翻譯是否呈現以下已知特徵：
 - 詞彙多樣性是否偏低？（MSTTR, RTTR）
 - 句長是否較為整齊（變異數較小）？
 
-### 2.2 人工翻譯的差異化特徵
+### 3.2 人工翻譯的差異化特徵
 - 人工譯本在哪些指標上顯著偏離機器譯本？
 
 ### 禁令補充
 - 不得對機器翻譯系統的品質做整體評價。
 - 不得預設「人工一定優於機器」或反之。"""
 
-SCENARIO_MODULE_3 = """## 二、情境特定分析：改寫策略分析
+SCENARIO_MODULE_3 = """## 三、情境特定分析：改寫策略分析
 
 【重要限制】：本系統目前未進行原文對齊，所有關於刪減/增補的陳述必須明確標示為「推測」。
 
@@ -253,14 +332,14 @@ SCENARIO_MODULE_3 = """## 二、情境特定分析：改寫策略分析
 ### 禁令補充
 - 嚴禁使用「忠實度」、「完整性」等規範性詞彙。"""
 
-SCENARIO_MODULE_4 = """## 二、情境特定分析：個人風格差異分析
+SCENARIO_MODULE_4 = """## 三、情境特定分析：個人風格差異分析
 
 【前提】：所有譯本產出於相近時期，時代因素已被控制。
 
-### 2.1 核心風格指標的差異
+### 3.1 核心風格指標的差異
 - 在哪些指標上，譯者間差異達到統計顯著？
 
-### 2.2 風格穩定性的檢視
+### 3.2 風格穩定性的檢視
 - 譯者內變異 vs 譯者間變異的比較
 
 ### 禁令補充
@@ -290,26 +369,49 @@ SYSTEM_PROMPT_BASE = """# 角色定義
 【使用者補充關注點】：{user_focus}
 
 # 格式規範（務必嚴格遵守，直接影響報告的可讀性）
-1. 以下「通用輸出結構」中 `## 一、`、`## 三、`、`## 四、` 這幾個章節標題，輸出時必須原樣保留 `## ` 這個 Markdown 標題語法開頭，不可改寫成「**粗體**」或其他格式。
+1. 以下「通用輸出結構」中 `## 一、`、`## 二、`、`## 四、`、`## 五、` 這幾個章節標題，輸出時必須原樣保留 `## ` 這個 Markdown 標題語法開頭，不可改寫成「**粗體**」或其他格式。
 2. 章節內若需要子標題或小節提示語（例如「總體事實」「觀察」「結論」之類的段落標籤），一律使用 `#### ` 開頭的四級標題語法，不可用「**粗體**」取代標題。
 3. `**粗體**` 只能用於一般敘述中的強調字詞，不可整行只放一個粗體片語來充當標題。
 4. 表格請使用標準 Markdown 表格語法（`| 欄位 | 欄位 |` 搭配 `|---|---|` 分隔列）。
+5. 量化分析結果 JSON 裡的英文鍵名（例如 rf_accuracy、rf_accuracy_is_meaningful、HC_Cluster、
+   KM_Cluster 等）是給程式讀取用的變數名稱，敘述時一律換成中文說法（例如「隨機森林分類準確率」
+   「此準確率是否具備樣本外預測意義」「階層式分群」「K-means 分群」），不得原樣把英文鍵名寫進
+   報告內文；指標代碼（如 AF_36、AC_01 這類）例外，這些代碼本身就是報告的一部分，要保留。
 
 # 通用輸出結構
-輸出必須包含以下四個區塊，缺一不可：
-
-## 一、數據事實描述
-僅陳述統計結果，每項陳述後標註對應的指標代碼與數值。
-區分：達統計顯著的差異（標明 p 值與效果量）、未達顯著但數值差距較大的趨勢、無明顯差異的指標。
+輸出必須包含以下五個區塊，缺一不可：
+
+## 一、語料說明
+用 2-4 句話摘要上方【譯本 metadata】提供的原文資訊、群組層與個體層背景（例如原文標題、各組別的翻譯類型／方向、個別譯本的譯者或系統名稱等，視實際提供的內容而定）。
+若 metadata 顯示使用者略過未填，僅陳述「使用者未提供語料補充說明」，不得臆測或杜撰內容。這個區塊只做摘要陳述，不做任何統計分析或推論。
+
+## 二、數據事實描述
+本區塊須包含以下三類數據事實，缺一不可（量化分析結果 JSON 裡都有對應資料，不得因為篇幅省略）：
+1. 差異性分析：每項陳述除了指標代碼、p 值與效果量之外，**必須明確指出各組別中平均數最高與
+   最低的是哪一組，並附上實際平均數數值**（difference_analysis 資料裡每個組別都有一欄以該組
+   名稱結尾 _M 的平均數欄位）——只寫 p 值與效果量、不寫是哪一組偏高偏低，讀者無法理解差異的
+   方向與意義。
+   三組以上時是用 ANOVA 檢定，效果量（η²）本身不帶方向性（不像兩組時的 Cohen's d 還有正負號
+   可看出方向），更不能省略「哪一組最高、哪一組最低」這句話。
+   格式範例（三組以上）：「總句數（AA_06）：p=0.0068，η²=0.9932（大）；2024 年組別最高
+   （M=32.5），1989 年組別最低（M=18.2）。」
+   區分：達統計顯著的差異（標明 p 值、效果量、最高與最低組別及平均數）、未達顯著但數值差距
+   較大的趨勢（同樣要指出方向）、無明顯差異的指標。
+2. 監督式學習（隨機森林）：說明 feature_importance_top20 裡重要性最高的 3-5 項指標與其重要性數值。
+   同時陳述「隨機森林分類準確率」的數字，並原樣附上 JSON 裡「隨機森林準確率之樣本外預測意義」
+   這欄給的完整句子（那句話已經是可以直接使用的中文敘述，不必再改寫或省略）。
+3. 非監督式學習（分群）：說明 cluster_results 裡階層式分群（HC_Cluster）與 K-means 分群
+   （KM_Cluster）的分群結果，是否與原始分組一致，若不一致明確指出差異所在。提及「原始分組」
+   時只用這個中文說法即可，不要在後面加註英文欄名。
 
 {scenario_module}
 
-## 三、待驗證事項
+## 四、待驗證事項
 - 需研究者回到原文比對的具體項目
 - 數據中的異常值或可疑模式
 - 本分析無法處理的面向
 
-## 四、本次分析的已知限制
+## 五、本次分析的已知限制
 明確列出：分詞系統潛在誤差、樣本量對統計檢定的影響、指標本身的理論侷限。"""
 
 # ── matplotlib 中文字型 ──────────────────────────────────────────────────────
@@ -465,12 +567,12 @@ def validate_ckip_format(filepath: Path):
     if ratio < 0.70:
         return False, (
             f"token 中含底線（詞_詞性）的比例僅 {ratio:.0%}，"
-            "不符合 ckip_segmentation_sumin 的輸出格式。"
+            "不符合語料淬鍊（CorpusRefinery）的輸出格式。"
         )
     if not has_ckip_signature:
-        return False, "未偵測到 CKIP 詞性標記，可能非 ckip_segmentation_sumin 產生的檔案。"
+        return False, "未偵測到 CKIP 詞性標記，可能非語料淬鍊（CorpusRefinery）產生的檔案。"
 
-    return True, "格式符合 ckip_segmentation_sumin 輸出。"
+    return True, "格式符合語料淬鍊（CorpusRefinery）輸出。"
 
 
 # ============================================================================
@@ -838,17 +940,39 @@ def effect_label(val, method):
         return "大" if val>=0.14 else "中" if val>=0.06 else "小" if val>=0.01 else "極小"
 
 
-def run_statistical_analysis(csv_path: Path, output_dir: Path):
+def run_statistical_analysis(csv_path: Path, output_dir: Path, group_labels: dict = None,
+                              individual_grouping: dict = None):
     """
     執行完整統計分析（敘述統計、差異分析、隨機森林、分群）。
+    group_labels：{分組代碼: 語料說明填寫的實際標籤} 選填，只影響箱形圖的
+    X 軸刻度文字（見下方 boxplot 區塊），不影響任何計算結果。
+    individual_grouping：{檔名: 個體間比較的分組標籤} 選填，2026-08-15
+    業主要求新增——「語料說明」選「個體間比較」時，用個體層資訊填的
+    「譯者／系統名稱」取代預設的檔名字首分組，這個 dict 非空時會真的
+    改變 Type1（見下面），因此會連動影響差異性分析、隨機森林、分群
+    全部的分組依據，不像 group_labels 只是換個顯示用的名字。沒填的
+    檔案自動退回用檔名字首分組（業主拍板的容錯方式）。
     回傳 dict 包含所有輸出檔路徑與摘要資訊。
     """
     output_dir.mkdir(parents=True, exist_ok=True)
 
     # ── 1. 讀入資料 ────────────────────────────────────────────────────────────
     df = pd.read_csv(str(csv_path))
+    # 2026-08-14：業主要求隱藏的 13 項指標（見 HIDDEN_INDICATOR_CODES 定義處
+    # 註解）在這裡就濾掉，之後敘述統計／差異分析／隨機森林／分群全部從這份
+    # df 衍生，一次過濾即可讓下游全部不再看到這 13 項，不用每個子區塊各自擋。
+    df = _drop_hidden_indicators(df)
 
     df['Type1'] = df['Text'].str[0].str.upper()
+    # 2026-08-15（業主要求「個體間比較」要有實際效果）：individual_grouping
+    # 非空時，用它取代上面那行檔名字首分組——每個檔案若在「個體層資訊」
+    # 填了「譯者／系統名稱」，Type1 就改用那個值；沒填的檔案維持原本的
+    # 檔名字首（.map 對應不到的位置是 NaN，用 .fillna 退回原值，不是整批
+    # 放棄）。這一改，後面的差異性分析、隨機森林、分群全部自動跟著用新
+    # 分組依據算，不用另外改下游程式碼。
+    if individual_grouping:
+        custom_group = df['Text'].astype(str).str.strip().map(individual_grouping)
+        df['Type1'] = custom_group.fillna(df['Type1'])
     df['Type2'] = df['Type1']
     GROUP_COL   = 'Type1'
     N_CLUSTERS  = max(2, len(df['Type1'].unique()))
@@ -942,24 +1066,45 @@ def run_statistical_analysis(csv_path: Path, output_dir: Path):
     diff_df.to_csv(str(diff_path), index=False, encoding='utf-8-sig')
 
     # boxplot（最多 12 個顯著指標）
+    # 2026-08-14（業主要求）：原本取前 12 項是照指標在資料表裡的固定欄位
+    # 順序（基礎統計→...→詞性標記）往下數，不是「最顯著／效果量最大」的
+    # 12 項。改成先依效果量絕對值由大到小排序，再取前 12——畫出來的會是
+    # 這次分析裡差異最明顯的那幾項，資訊量比原本的順序高。
     box_path = None
     if len(sig_df) > 0:
-        sig_cols = sig_df['指標'].tolist()[:12]
+        sig_df_sorted = sig_df.reindex(
+            sig_df['效果量'].abs().sort_values(ascending=False).index
+        )
+        sig_cols = sig_df_sorted['指標'].tolist()[:12]
         n_row    = max(1, (len(sig_cols) + 2) // 3)
         fig, axes = plt.subplots(n_row, 3, figsize=(14, 4*n_row))
         axes = np.array(axes).flatten()
+        # 群組軸標籤：語料說明填過的實際標籤（如「人工翻譯」）優先於原始
+        # 分組代碼（A／B），group_labels 由呼叫端（run_computation_pipeline_
+        # streaming）從 state["group_labels"] 傳入，沒填就退回代碼本身。
+        group_labels = group_labels or {}
+        group_tick_labels = [group_labels.get(g, g) for g in groups]
         for i, col in enumerate(sig_cols):
             ax = axes[i]
             pd_data = [df.loc[df[GROUP_COL]==g, col].dropna().values for g in groups]
             ax.boxplot(pd_data)
             ax.set_xticks(range(1, len(groups) + 1))
-            ax.set_xticklabels(list(groups))
-            pv = diff_df.loc[diff_df['指標']==col, 'p值'].values
-            pv_str = f"p={pv[0]:.4f}" if len(pv)>0 else ""
-            ax.set_title(f"{col}\n({pv_str})", fontsize=8)
+            ax.set_xticklabels(group_tick_labels)
+            # 2026-08-15（業主要求）：小標題原本只有 p 值，加上效果量（連同
+            # 名稱，例如 Cohen's d 或 η²，兩種方法的效果量單位不一樣，只寫
+            # 數字沒名稱會誤讀）一起顯示，一眼就能看出「差多少」不只是
+            # 「有沒有差」。
+            row = diff_df.loc[diff_df['指標']==col]
+            pv_str = f"p={row['p值'].values[0]:.4f}" if len(row)>0 else ""
+            es_str = (f"，{row['效果量名稱'].values[0]}={row['效果量'].values[0]:.3f}"
+                      if len(row)>0 else "")
+            ax.set_title(f"{col}\n({pv_str}{es_str})", fontsize=8)
         for j in range(len(sig_cols), len(axes)):
             axes[j].set_visible(False)
-        plt.suptitle(f"Significant Variables by {GROUP_COL}", fontsize=11, y=1.01)
+        # 2026-08-14（業主要求）：原本「Significant Variables by Type1」直接
+        # 洩漏內部欄位名稱 Type1，使用者看不懂在比較什麼。改成中文、講清楚
+        # 這張圖是「前 12 項＋依效果量排序」，不是全部顯著指標。
+        plt.suptitle("各組別顯著指標比較（前 12 項，依效果量排序）", fontsize=11, y=1.01)
         plt.tight_layout()
         box_path = output_dir / "02_significant_boxplots.png"
         plt.savefig(str(box_path), dpi=150, bbox_inches='tight')
@@ -995,8 +1140,8 @@ def run_statistical_analysis(csv_path: Path, output_dir: Path):
     top_n = min(20, len(imp_df))
     fig, ax = plt.subplots(figsize=(10, 6))
     ax.barh(imp_df['指標'][:top_n][::-1], imp_df['重要性'][:top_n][::-1], color='steelblue')
-    ax.set_xlabel("Feature Importance")
-    ax.set_title(f"Random Forest — Top {top_n} Feature Importance")
+    ax.set_xlabel("特徵重要性")
+    ax.set_title(f"隨機森林 — 前 {top_n} 項重要特徵")
     plt.tight_layout()
     imp_fig_path = output_dir / "03_feature_importance.png"
     plt.savefig(str(imp_fig_path), dpi=150, bbox_inches='tight')
@@ -1012,8 +1157,10 @@ def run_statistical_analysis(csv_path: Path, output_dir: Path):
     linkage_mat  = linkage(X_scaled, method='ward')
     fig, ax = plt.subplots(figsize=(10, 5))
     dendrogram(linkage_mat, labels=df['Text'].values, leaf_rotation=45, leaf_font_size=8, ax=ax)
-    ax.set_title("Hierarchical Clustering Dendrogram (Ward)")
-    ax.set_xlabel("Sample"); ax.set_ylabel("Distance")
+    ax.set_title("階層式分群樹狀圖（Ward 法）")
+    # 2026-08-15（業主問「Sample 是什麼意思」）：橫軸的每一格代表一個被
+    # 分群的文本樣本（下方會列出各檔名），改成中文「樣本」，不用再解釋。
+    ax.set_xlabel("樣本"); ax.set_ylabel("距離")
     plt.tight_layout()
     dendro_path = output_dir / "04a_dendrogram.png"
     plt.savefig(str(dendro_path), dpi=150, bbox_inches='tight')
@@ -1031,8 +1178,8 @@ def run_statistical_analysis(csv_path: Path, output_dir: Path):
         inertia.append(km.inertia_)
     fig, ax = plt.subplots(figsize=(7, 4))
     ax.plot(list(range(1, max_k+1)), inertia, marker='o', color='coral')
-    ax.set_xlabel("Number of Clusters (K)"); ax.set_ylabel("Inertia (SSE)")
-    ax.set_title("K-means Elbow Curve"); ax.set_xticks(list(range(1, max_k+1)))
+    ax.set_xlabel("分群數量（K）"); ax.set_ylabel("群內誤差平方和（SSE）")
+    ax.set_title("K-means 手肘圖"); ax.set_xticks(list(range(1, max_k+1)))
     plt.tight_layout()
     elbow_path = output_dir / "04b_kmeans_elbow.png"
     plt.savefig(str(elbow_path), dpi=150, bbox_inches='tight')
@@ -1045,30 +1192,49 @@ def run_statistical_analysis(csv_path: Path, output_dir: Path):
     fig, axes = plt.subplots(1, 2, figsize=(14, 5))
     for ax, lcol, title in zip(axes,
             ['HC_Cluster','KM_Cluster'],
-            ['Hierarchical Clustering', f'K-means (K={N_CLUSTERS})']):
+            ['階層式分群', f'K-means 分群（K={N_CLUSTERS}）']):
         ulabels = sorted(df[lcol].unique())
         colors  = plt.cm.tab10(np.linspace(0, 1, len(ulabels)))
         for idx, cl in enumerate(ulabels):
             mask = df[lcol] == cl
             ax.scatter(X_pca[mask,0], X_pca[mask,1],
-                       c=[colors[idx]], label=f"Cluster {cl}", s=100, edgecolors='k')
+                       c=[colors[idx]], label=f"群組 {cl}", s=100, edgecolors='k')
         for i, txt in enumerate(df['Text']):
             ax.annotate(txt[:8], (X_pca[i,0], X_pca[i,1]),
                         fontsize=7, textcoords='offset points', xytext=(5,3))
-        ax.set_xlabel(f"PC1 ({pca.explained_variance_ratio_[0]:.1%})" if X_scaled.shape[1]>=2 else "PC1")
-        ax.set_ylabel(f"PC2 ({pca.explained_variance_ratio_[1]:.1%})" if X_scaled.shape[1]>=2 else "PC2")
+        ax.set_xlabel(f"主成分一（{pca.explained_variance_ratio_[0]:.1%}）" if X_scaled.shape[1]>=2 else "主成分一")
+        ax.set_ylabel(f"主成分二（{pca.explained_variance_ratio_[1]:.1%}）" if X_scaled.shape[1]>=2 else "主成分二")
         ax.set_title(title); ax.legend()
-    plt.suptitle("Clustering Results (PCA 2D Projection)", fontsize=12)
+    plt.suptitle("分群結果（主成分分析二維投影）", fontsize=12)
     plt.tight_layout()
     cluster_fig_path = output_dir / "04c_clustering_pca2d.png"
     plt.savefig(str(cluster_fig_path), dpi=150, bbox_inches='tight')
     plt.close()
 
     # 分群結果儲存
-    result_cols = ['Text','Type1','Type2',GROUP_COL,'HC_Cluster','KM_Cluster']
+    # 2026-08-15（業主回報「分群結果表格有個看不懂的 Type1.1 欄位」，追查
+    # 後發現）：GROUP_COL 這個變數的值就是字串 'Type1'（見上面第 887 行），
+    # 這裡卻又把 'Type1' 跟 GROUP_COL 兩個都放進 result_cols，等於同一欄
+    # 選了兩次；df[result_cols] 選出來的 DataFrame 因此有兩欄同名 Type1，
+    # 存成 CSV 後欄名衝突，pandas 存檔/讀回的慣例是把重複欄名的第二個
+    # 加上 ".1" 後綴避免衝突——「Type1.1」就是這樣長出來的，內容跟 Type1
+    # 一模一樣，不是新資訊，純粹是選重複欄位的 bug。拿掉重複的 GROUP_COL
+    # 就好，Type1 本身（真正的分組欄）保留。
+    result_cols = ['Text','Type1','Type2','HC_Cluster','KM_Cluster']
     result_cols = [c for c in result_cols if c in df.columns]
     cluster_csv_path = output_dir / "05_cluster_results.csv"
-    df[result_cols].to_csv(str(cluster_csv_path), index=False, encoding='utf-8-sig')
+    # 2026-08-15（業主要求）：使用者下載這份 CSV 直接看到 Type1／Type2 也
+    # 反映同樣的看不懂問題（先前只改了畫面顯示的複本，見 _populate_tabs
+    # 裡的同名 rename 邏輯），這次直接在存檔時就處理，下載到的檔案本身
+    # 就是乾淨版本，不用開了 Excel 才發現欄名還是英文技術代碼。Type2
+    # 拿掉（一直是 Type1 的原樣複製，無額外資訊）、Type1 改標成「原始
+    # 分組(A/B)」。
+    cluster_export_df = (
+        df[result_cols]
+        .drop(columns=["Type2"], errors="ignore")
+        .rename(columns={"Type1": "原始分組(A/B)"})
+    )
+    cluster_export_df.to_csv(str(cluster_csv_path), index=False, encoding='utf-8-sig')
 
     # ── 6. 產出 docx 技術報告 ──────────────────────────────────────────────────
     timestamp   = now_tw().strftime("%Y%m%d_%H%M%S")
@@ -1121,8 +1287,16 @@ def run_statistical_analysis(csv_path: Path, output_dir: Path):
     # 差異性分析
     doc.add_page_break()
     doc.add_heading('二、差異性分析', level=1)
-    doc.add_paragraph(f'分組依據：{GROUP_COL}（共 {n_groups} 組）。採用 {method_name}，顯著水準 α = {ALPHA}。')
+    # 2026-08-15：{GROUP_COL} 原本會直接印出內部欄位名稱「Type1」，跟先前
+    # 修過的 Type1.1／rf_accuracy_is_meaningful 是同一種��技術變數名稱外
+    # 洩漏」問題，改成不點名欄位、只講語意。
+    doc.add_paragraph(f'分組依據：語料分組（共 {n_groups} 組）。採用 {method_name}，顯著水準 α = {ALPHA}。')
     doc.add_paragraph(f'共 {len(diff_df)} 個指標，其中 {len(sig_df)} 個達顯著差異（p < {ALPHA}）。')
+    # 2026-08-15（業主要求）：表格欄位裡的 N／M／SD 是統計慣用縮寫，第一次
+    # 看到報告的人不一定認得，加一句說明放在表格正上方。
+    note_p = doc.add_paragraph('表格中 N＝樣本數、M＝平均數、SD＝標準差。')
+    note_p.runs[0].italic = True
+    note_p.runs[0].font.size = Pt(8)
     group_sub_headers = []
     for g in groups:
         group_sub_headers.extend([f"{g}\nN", f"{g}\nM", f"{g}\nSD"])
@@ -1201,6 +1375,7 @@ def run_statistical_analysis(csv_path: Path, output_dir: Path):
         "sig_count":        len(sig_df),
         "total_indicators": len(diff_df),
         "accuracy":         accuracy,
+        "do_eval":          do_eval,
         "groups":           list(groups),
         "n_groups":         n_groups,
         "method_name":      method_name,
@@ -1213,9 +1388,31 @@ def run_statistical_analysis(csv_path: Path, output_dir: Path):
 # SECTION 7: LLM Report Writing (adapted from prog04, uses LLM1)
 # ============================================================================
 
-def load_analysis_data_for_llm(csv_path: Path, output_dir: Path) -> dict:
-    """讀取分析資料組成 JSON 結構。"""
+def load_analysis_data_for_llm(csv_path: Path, output_dir: Path, ml_summary: dict = None) -> dict:
+    """讀取分析資料組成 JSON 結構。
+    ml_summary：{"accuracy": float, "do_eval": bool} 選填，來自
+    run_statistical_analysis() 的回傳值。之前這裡完全沒有把隨機森林的
+    準確率數字（accuracy）跟「這次是不是真的切了測試集」（do_eval）
+    交給 LLM，LLM 因此連準確率是多少都不知道，等於沒有材料可以討論
+    監督式學習結果——03_feature_importance.csv 只有各指標的重要性排名，
+    沒有整體準確率這個數字。"""
     data = {}
+    if ml_summary:
+        # 2026-08-15（業主回報）：原本這裡是英文鍵名 rf_accuracy／
+        # rf_accuracy_is_meaningful，靠 system prompt 那條「英文鍵名要
+        # 換成中文說法」的規則要求 LLM 自己翻譯，結果 LLM 沒穩定照辦，
+        # 報告裡直接印出「由於 rf_accuracy_is_meaningful 為 true...」這種
+        # 變數名稱。改成在這裡把「是否具樣本外預測意義」直接寫成完整的
+        # 中文句子存進 JSON——LLM 就算照抄 JSON 內容，抄出來的也已經是
+        # 人看得懂的句子，不用依賴它額外做翻譯這個不保證會做到的步驟。
+        acc = ml_summary.get("accuracy")
+        data["隨機森林分類準確率"] = round(acc, 4) if isinstance(acc, (int, float)) else acc
+        data["隨機森林準確率之樣本外預測意義"] = (
+            "具備樣本外預測意義（本次有切分獨立的測試集）"
+            if ml_summary.get("do_eval")
+            else "不具備樣本外預測意義（本次樣本數過小，訓練集與測試集為同一批資料，"
+                 "此準確率僅反映模型對訓練資料本身的擬合程度）"
+        )
     if csv_path.exists():
         raw = pd.read_csv(str(csv_path))
         aj_cols = [c for c in raw.columns if c.startswith('AJ_')]
@@ -1234,6 +1431,16 @@ def load_analysis_data_for_llm(csv_path: Path, output_dir: Path) -> dict:
         p = output_dir / fname
         if p.exists():
             d = pd.read_csv(str(p))
+            if key == "cluster_results":
+                # 2026-08-15（業主要求）：跟 rf_accuracy_is_meaningful 同一個
+                # 教訓——原本這裡的欄名是 Type1，LLM 直接照抄，報告寫成
+                # 「原始分組（Type1）」。改成在資料層就把 Type1 換成「原始
+                # 分組」這個中文欄名，Type2 拿掉（一直是 Type1 的原樣複製，
+                # 沒有額外資訊，見 run_statistical_analysis 那行 df['Type2']
+                # = df['Type1'] 的註解），LLM 照抄 JSON 內容時自然就只會
+                # 寫「原始分組」，不會再冒出 Type1 這個技術欄名。
+                d = d.drop(columns=["Type2"], errors="ignore") \
+                     .rename(columns={"Type1": "原始分組"})
             if key == "feature_importance_top20":
                 data[key] = d.head(20).to_dict(orient='records')
             else:
@@ -1252,13 +1459,41 @@ def load_analysis_data_for_llm(csv_path: Path, output_dir: Path) -> dict:
     return data
 
 
+# 2026-08-14（待辦 A1，業主拍板）：LLM 報告存成 docx 時，原本的迴圈只認
+# 區塊層級語法（# 標題／- 項目符號），一行裡的 **粗體**、$LaTeX$ 這類行內
+# 語法會原封不動貼成文字。這裡補一個行內語法解析：
+#   **文字** → ��體 run
+#   $文字$   → 斜體 run（拆掉 $ 符號；docx 沒有內建 LaTeX 公式排版，
+#              真要轉成 Word 公式物件（OMML）得另外導入 latex2mathml
+#              之類的套件，複雜度與風險都高，業主拍板先用「斜體純文字」
+#              這個較簡單、較不會转換失敗的做法）
+# 非貪婪 regex 一次切出 **...** 或 $...$ 區段，其餘原樣輸出；兩種語法
+# 不處理巢狀（例如 **$x$** 或 $**x**$），這份報告的 LLM 輸出目前沒有
+# 這種寫法，不特別處理以免過度工程化。
+_INLINE_MD_RE = re.compile(r'(\*\*.+?\*\*|\$.+?\$)')
+
+
+def _add_inline_markdown_runs(paragraph, text: str) -> None:
+    """把一行文字依 **粗體** / $LaTeX$ 語法拆成多個 run，加進既有段落。"""
+    for piece in _INLINE_MD_RE.split(text):
+        if not piece:
+            continue
+        if piece.startswith('**') and piece.endswith('**') and len(piece) >= 4:
+            paragraph.add_run(piece[2:-2]).bold = True
+        elif piece.startswith('$') and piece.endswith('$') and len(piece) >= 2:
+            paragraph.add_run(piece[1:-1]).italic = True
+        else:
+            paragraph.add_run(piece)
+
+
 def run_report_writing(scenario_key: str, user_metadata: str, user_focus: str,
-                       csv_path: Path, output_dir: Path) -> dict:
+                       csv_path: Path, output_dir: Path, ml_summary: dict = None) -> dict:
     """
     呼叫主 Agent (LLM1) 撰寫研究報告，儲存 docx + txt，回傳路徑 dict。
+    ml_summary：見 load_analysis_data_for_llm() 的說明。
     """
     output_dir.mkdir(parents=True, exist_ok=True)
-    analysis_data = load_analysis_data_for_llm(csv_path, output_dir)
+    analysis_data = load_analysis_data_for_llm(csv_path, output_dir, ml_summary=ml_summary)
 
     scenario_info   = SCENARIOS.get(scenario_key, SCENARIOS["1"])
     scenario_mod_key = scenario_info.get("scenario_module_key", "scenario_1")
@@ -1280,8 +1515,8 @@ def run_report_writing(scenario_key: str, user_metadata: str, user_focus: str,
         f"請根據以下量化分析結果，按照 system prompt 中的輸出結構進行深度分析。\n\n"
         f"【量化分析資料（JSON）】：\n```json\n"
         f"{json.dumps(analysis_data, ensure_ascii=False, indent=2)}\n```\n\n"
-        "請嚴格按照四個區塊（一、數據事實描述 / 二、情境特定分析 / "
-        "三、待驗證事項 / 四、已知限制）輸出分析報告。"
+        "請嚴格按照五個區塊（一、語料說明 / 二、數據事實描述 / "
+        "三、情境特定分析 / 四、待驗證事項 / 五、已知限制）輸出分析報告。"
     )
 
     result_text = call_main_agent(system_prompt, user_prompt)
@@ -1308,15 +1543,18 @@ def run_report_writing(scenario_key: str, user_metadata: str, user_focus: str,
     doc.add_paragraph(f'報告時間：{now_tw().strftime("%Y-%m-%d %H:%M:%S")}（台灣時間）',
                       style='Normal').alignment = WD_ALIGN_PARAGRAPH.CENTER
     doc.add_page_break()
+    # 2026-08-14（待辦 A1）：區塊層級語法（標題／項目符號）沿用原本判斷，
+    # 差別是段落文字改用 _add_inline_markdown_runs() 逐段解析 **粗體**／
+    # $LaTeX$，不再是整行原樣塞給 add_heading()/add_paragraph()。
     for line in result_text.split('\n'):
         stripped = line.strip()
-        if   stripped.startswith('#### '):  doc.add_heading(stripped[5:], level=4)
-        elif stripped.startswith('### '):   doc.add_heading(stripped[4:], level=3)
-        elif stripped.startswith('## '):    doc.add_heading(stripped[3:], level=2)
-        elif stripped.startswith('# '):     doc.add_heading(stripped[2:], level=1)
-        elif stripped.startswith('- '):     doc.add_paragraph(stripped[2:], style='List Bullet')
-        elif stripped.startswith('* '):     doc.add_paragraph(stripped[2:], style='List Bullet')
-        elif stripped:                      doc.add_paragraph(stripped)
+        if   stripped.startswith('#### '):  _add_inline_markdown_runs(doc.add_heading('', level=4), stripped[5:])
+        elif stripped.startswith('### '):   _add_inline_markdown_runs(doc.add_heading('', level=3), stripped[4:])
+        elif stripped.startswith('## '):    _add_inline_markdown_runs(doc.add_heading('', level=2), stripped[3:])
+        elif stripped.startswith('# '):     _add_inline_markdown_runs(doc.add_heading('', level=1), stripped[2:])
+        elif stripped.startswith('- '):     _add_inline_markdown_runs(doc.add_paragraph(style='List Bullet'), stripped[2:])
+        elif stripped.startswith('* '):     _add_inline_markdown_runs(doc.add_paragraph(style='List Bullet'), stripped[2:])
+        elif stripped:                      _add_inline_markdown_runs(doc.add_paragraph(), stripped)
     doc.save(str(docx_path))
 
     # 存 txt（模型標註置於標題下方）
@@ -1384,6 +1622,8 @@ def make_initial_state(session_id: str) -> dict:
         "zip_paths":      {},
         "user_metadata":  "",
         "user_focus":     "",
+        "group_labels":   {},   # {分組代碼: 語料說明填的實際標籤}，略過或未填時維持空 dict
+        "individual_grouping": {},  # {檔名: 個體間比較的分組標籤}，非「個體間比較」模式時維持空 dict
         "analysis_result": None,
         "done_steps":     [],    # 已完成步驟（1-based）
         "current_step":   None,  # 目前執行步驟
@@ -1435,7 +1675,7 @@ def make_initial_state(session_id: str) -> dict:
 # on_scenario_pick）。原本①提到「情境選擇搬去首頁後不算步驟列一步」在此
 # 已不成立，_STEPS 從 3 步變 4 步，後面三步的編號全部 +1。
 _STEPS = [
-    (1, "研究選擇"),
+    (1, "情境選擇"),
     (2, "文本上傳"),
     (3, "語料說明"),
     (4, "分析運算"),
@@ -1552,13 +1792,23 @@ def handle_uploaded_files(files, state: dict):
         shutil.copy2(str(src), str(dst))
         saved_paths.append(str(dst))
 
-    # 格式驗證失敗時只會清掉不合格的檔案（見 run_format_check），這裡補傳
-    # 要跟先前保留下來、已通過驗證的檔案合併，而不是整批覆蓋掉，使用者才
-    # 只需要補傳有問題的那幾個檔案，同名檔案則視為修正版本直接取代舊的
-    existing = state.get("uploaded_files", [])
-    new_names = {Path(p).name for p in saved_paths}
-    merged_paths = [p for p in existing if Path(p).name not in new_names] + saved_paths
-    state["uploaded_files"] = merged_paths
+    # 2026-08-15（業主回報「上傳5個刪除2個，語料說明跟計算卻還是用5個」，
+    # 追查後發現）：這裡原本是跟 state["uploaded_files"] 合併，不是直接
+    # 覆蓋——原意是想支援「格式驗證失敗時只需補傳有問題的檔案」，但
+    # Gradio 的 file_input 元件送過來的 files 只反映「使用者目前選取的
+    # 檔案是哪些」，沒辦法分辨「這次沒選這個檔案」到底是「使用者刻意刪除
+    # 不要了」還是「使用者沒有要動它、單純沒重新選」——合併邏輯把兩種
+    # 都當成後者處理，使用者刪除的檔案因此被「復活」跟這次選的檔案合併，
+    # 送進下游計算的數量比使用者實際想要的多。
+    # 改成直接覆蓋，不合併：file_input 元件本身在「格式驗證失敗、退回
+    # 上傳畫面」之後不會被清空（見 on_upload_confirm 的 has_errors 分支，
+    # outputs 沒有動 file_input），使用者原本選的檔案（含通過驗證的）
+    # 仍留在畫面上，只要把修正後的檔案加回同一次選取、不用動已經沒問題
+    # 的檔案，「只補傳壞掉的那幾個」這個使用情境本來就能透過 Gradio 元件
+    # 自身的多檔選取狀態達成，不需要在後端另外合併——後端合併反而是這次
+    # bug 的成因，拿掉之後「使用者當下選了什麼，就是什麼」，語意才不會
+    # 跟畫面上看到的檔案清單兜不起來。
+    state["uploaded_files"] = saved_paths
     state["state"] = "FORMAT_CHECK"
 
     # 工作程序 Agent 說明開始檢查
@@ -1608,7 +1858,7 @@ def run_format_check(state: dict):
             present_str = "、".join(sorted(present_prefixes)) or "無"
             missing_str = "、".join(sorted(missing))
             msg = (
-                f"[WARNING] 請確認 {'、'.join(sorted(required_prefixes))} 兩組皆已上傳，"
+                f"⚠️ 請確認 {'、'.join(sorted(required_prefixes))} 兩組皆已上傳，"
                 f"目前偵測到：{present_str}，缺少：{missing_str}。"
             )
             state["state"] = "UPLOAD_WAIT"
@@ -1618,31 +1868,31 @@ def run_format_check(state: dict):
         state["cleaned_files"] = state["uploaded_files"]
         sys_p = (
             "你是重譯文本分析系統的工作程序 Agent，"
-            "請用繁體中文告知使用者所有檔案已確認為 ckip_segmentation_sumin 斷詞格式，"
+            "請用繁體中文告知使用者所有檔案已確認為語料淬鍊（CorpusRefinery）斷詞格式，"
             "即將開始計算指標，30 字以內。"
         )
         try:
             msg = call_worker_agent(sys_p, "所有檔案格式驗證通過。")
         except:
-            msg = "[OK] 所有檔案均符合 ckip_segmentation_sumin 斷詞格式，即將開始計算文本指標……"
+            msg = "[OK] 所有檔案均符合語料淬鍊（CorpusRefinery）斷詞格式，即將開始計算文本指標……"
         return msg, state, False
 
     # 有檔案不符（格式或字首）
     fail_list = "\n".join([f"- **{fn}**：{reason}" for fn, reason in failed.items()])
     sys_p = (
         "你是重譯文本分析系統的工作程序 Agent，請用繁體中文告知使用者："
-        "部分檔案不符合 ckip_segmentation_sumin 斷詞工具的輸出格式，"
+        "部分檔案不符合語料淬鍊（CorpusRefinery）斷詞工具的輸出格式，"
         "必須重新使用該工具斷詞後再上傳，語氣清晰，80 字��內。"
-        "請附上工具連結：https://github.com/suhsiung/ckip_segmentation_sumin"
+        "請附上工具連結：https://github.com/minchun-git/I_CorpusRefinery"
     )
     try:
         msg = call_worker_agent(sys_p, f"格式不符的檔案：\n{fail_list}")
         msg = msg + f"\n\n{fail_list}"
     except:
         msg = (
-            f"[WARNING] 以下檔案不符合 ckip_segmentation_sumin 斷詞格式，請重新處理後再上傳：\n\n"
+            f"⚠️ 以下檔案不符合語料淬鍊（CorpusRefinery）斷詞格式，請重新處理後再上傳：\n\n"
             f"{fail_list}\n\n"
-            "請使用 [ckip_segmentation_sumin](https://github.com/suhsiung/ckip_segmentation_sumin) "
+            "請使用 [語料淬鍊（CorpusRefinery）](https://github.com/minchun-git/I_CorpusRefinery) "
             "工具完成斷詞後，重新上傳檔案。"
         )
     failed_names = set(failed.keys())
@@ -1664,7 +1914,7 @@ _ZIP_GROUPS = [
     ("idx",    "指標數據"),
     ("stat",   "統計圖表"),
     ("report", "研究報告"),
-    ("all",    "完整分析資料"),
+    ("all",    "全部資料"),
 ]
 
 
@@ -1726,7 +1976,11 @@ def run_computation_pipeline_streaming(state: dict):
             state["cleaned_files"], output_dir, _RESOURCES
         )
         results_paths.extend([str(xlsx_path), str(csv_path)])
-        n_ind = max(len(idx_df.columns) - sum(c in idx_df.columns for c in ("Text","Type1","Type2")), 0)
+        # 2026-08-14：這裡顯示的「N 項語言指標」是進度列上的即時字樣，跟畫面
+        # 其他地方一樣要扣掉隱藏指標，不能直接數 idx_df（指標計算的原始輸出，
+        # 仍含完整 75 欄）的欄位數，否則這裡會跟其他分頁顯示的數字對不上。
+        _idx_display_cols = _drop_hidden_indicators(idx_df).columns
+        n_ind = max(len(_idx_display_cols) - sum(c in _idx_display_cols for c in ("Text","Type1","Type2")), 0)
         A["idx"]["status"] = "done"
         A["idx"]["line"] = f"{len(idx_df)} 個文本 × {n_ind} 項語言指標"
         yield f"  [OK] 指標計算完成（{len(idx_df)} 個文本）", False, state
@@ -1742,7 +1996,11 @@ def run_computation_pipeline_streaming(state: dict):
     A["stat"]["status"] = "running"
     yield "【統計分析】正在執行統計分析……", False, state
     try:
-        anal = run_statistical_analysis(csv_path, output_dir)
+        anal = run_statistical_analysis(
+            csv_path, output_dir,
+            group_labels=state.get("group_labels", {}),
+            individual_grouping=state.get("individual_grouping", {}),
+        )
         for key in ["desc_path","diff_path","imp_path","imp_fig_path",
                     "box_path","dendro_path","elbow_path","cluster_fig_path",
                     "cluster_csv_path","report_path"]:
@@ -1780,6 +2038,7 @@ def run_computation_pipeline_streaming(state: dict):
             user_focus    = state.get("user_focus", ""),
             csv_path      = csv_path,
             output_dir    = output_dir,
+            ml_summary    = {"accuracy": anal.get("accuracy"), "do_eval": anal.get("do_eval")},
         )
         results_paths.extend([str(rpt["docx_path"]), str(rpt["txt_path"])])
         A["report"]["status"] = "done"
@@ -2418,7 +2677,12 @@ _APP_HEAD_SCRIPT = """
             }
             if (_zonePendingCount[id] < 2) return;
             if (visible) {
-                zone.scrollIntoView({ behavior: 'smooth', block: 'center' });
+                // 2026-08-15（業主回報「格式驗證通過切到語料說明時，畫面
+                // 會往下移動一下」）：behavior:'smooth' 會讓捲動變成一段
+                // 看得見的滑動過程，使用者感受到的正是這段移動動畫本身，
+                // 不是位置算錯。改成 'auto'（瀏覽器原生瞬間跳轉），新區塊
+                // 一出現畫面就直接定在該處，不再有可感知的移動過程。
+                zone.scrollIntoView({ behavior: 'auto', block: 'center' });
             } else {
                 window.scrollTo({ top: 0, behavior: 'smooth' });
             }
@@ -2570,7 +2834,7 @@ def _build_homepage_hero_html() -> str:
         '<h1><span class="en">II</span> 分析引擎 <span class="en">SpectraEngine</span></h1>'
         # 1-F：描述文字砍掉原本結尾「請先選擇最符合您研究設計的比較情境：」
         # ——情境選擇已搬去工作區，首頁不用再提示選情境。
-        '<p class="lede">上傳已斷詞的譯本文本，系統將自動計算 <span class="en">75</span> 項語言指標並進行統計分析，'
+        f'<p class="lede">上傳已斷詞的譯本文本，系統將自動計算 <span class="en">{TOTAL_VISIBLE_INDICATORS}</span> 項語言指標並進行統計分析，'
         '協助您完成重譯研究的量化論證。</p>'
         '</div>'
     )
@@ -2857,7 +3121,7 @@ def create_app():
                                 elem_classes=["result-nav-btn", "result-nav-dl"], variant="secondary",
                             )
                             nav_dl_all_btn = gr.DownloadButton(
-                                "下載完整分析資料", icon=str(BASE_DIR / "assets" / "icons" / "download.svg"),
+                                "下載全部資料", icon=str(BASE_DIR / "assets" / "icons" / "download.svg"),
                                 visible=False, elem_id="nav_dl_all_btn",
                                 elem_classes=["result-nav-btn", "result-nav-dl"], variant="secondary",
                             )
@@ -2993,7 +3257,7 @@ def create_app():
                         # 標題＋說明文字沿用 metadata_row 那則 Markdown 的寫法
                         # （純 "### 標題\n說明文字"，不套 elem_classes），維持
                         # 同一批「Canvas 操作區塊」卡片的既有排版慣例。
-                        gr.Markdown("### 研究選擇\n請選擇最符合您研究設計的比較情境，選定後將進入下一步「文本上傳」。")
+                        gr.Markdown("### 情境選擇\n請選擇最符合您研究設計的比較情境，選定後將進入下一步「文本上傳」。")
                         gr.HTML(_build_scenario_cards_html("workspace_scenario_grid"))
 
                     # Phase 8（千卉實測後回頭調整）：這張卡片改回正式使用
@@ -3064,21 +3328,48 @@ def create_app():
                                     value="群組間比較", scale=1,
                                 )
 
+                        # 2026-08-15（業主回報「填了語料說明但沒生效」，追查後
+                        # 發現根因）：原本這裡是 gr.Dataframe（row_count=
+                        # (1,"dynamic")），實測編輯過一格之後，其他格子會完全
+                        # 點不進去、無法再編輯（這版 Gradio 的 Dataframe 儲存格
+                        # 編輯器有這個問題，換 row_count 寫法／col_count 寫法都
+                        # 一樣）。改成三組獨立的 Textbox（最多支援三群，對應
+                        # meta_ngroups 的「二群／三群」上限），完全避開有問題的
+                        # Dataframe 儲存格編輯機制。三組固定宣告、依實際偵測到
+                        # 的分組數量切換顯示（見 _show_metadata_form），標題會
+                        # 動態顯示該組實際的分組代碼（例如「組別 A」），讓使用者
+                        # 清楚知道自己在填哪一組——這點也順便修掉另一個問題：
+                        # 原本 Dataframe 版本的資料送進 LLM 時沒有明確標示
+                        # 「這行屬於哪個分組代碼」，LLM 曾經因此把 A／B 的標籤
+                        # 講反。
                         gr.Markdown("**群組層資訊**（共通屬性）")
-                        meta_group_df = gr.Dataframe(
-                            headers=["群組標籤", "翻譯類型", "翻譯方向", "譯者背景", "目標讀者"],
-                            datatype=["str"] * 5,
-                            col_count=(5, "fixed"),
-                            row_count=(1, "dynamic"),
-                            interactive=True,
-                            label="群組層",
-                        )
-
+                        _META_GROUP_FIELD_LABELS = ["群組標籤", "翻譯類型", "翻譯方向", "譯者背景", "目標讀者"]
+                        meta_group_cols = []
+                        meta_group_heads = []
+                        meta_group_fields = []  # [[label,type,dir,bg,aud], ...] 每組一份
+                        for _gi in range(3):
+                            with gr.Column(visible=(_gi < 2)) as _gcol:
+                                _ghead = gr.Markdown(f"組別 {_gi + 1}")
+                                with gr.Row():
+                                    _f_label = gr.Textbox(label="群組標籤", scale=1)
+                                    _f_type  = gr.Textbox(label="翻譯類型", scale=1)
+                                    _f_dir   = gr.Textbox(label="翻譯方向", scale=1)
+                                with gr.Row():
+                                    _f_bg    = gr.Textbox(label="譯者背景", scale=1)
+                                    _f_aud   = gr.Textbox(label="目標讀者", scale=1)
+                            meta_group_cols.append(_gcol)
+                            meta_group_heads.append(_ghead)
+                            meta_group_fields.append([_f_label, _f_type, _f_dir, _f_bg, _f_aud])
+
+                        # 2026-08-15（業主要求）：拿掉「後編輯程度」欄位，業主
+                        # 認為用不到。欄位索引 0（檔案）／1（譯者／系統名稱）
+                        # 沒有移動，_extract_individual_grouping() 讀的就是
+                        # 這兩欄，拿掉的是原本索引 4 的欄位，不用連動改那邊。
                         gr.Markdown("**個體層資訊**（每個譯本／檔案）")
                         meta_indiv_df = gr.Dataframe(
-                            headers=["檔案", "譯者／系統名稱", "出版年", "譯者母語", "後編輯程度", "重譯序位"],
-                            datatype=["str"] * 6,
-                            col_count=(6, "fixed"),
+                            headers=["檔案", "譯者／系統名稱", "出版年", "譯者母語", "重譯序位"],
+                            datatype=["str"] * 5,
+                            col_count=(5, "fixed"),
                             row_count=(1, "dynamic"),
                             interactive=True,
                             label="個體層",
@@ -3134,9 +3425,14 @@ def create_app():
                                     interactive=False, visible=False,
                                 )
                             # 子分頁 2：差異性分析
+                            # 2026-08-15（業主要求）：排列順序改成「表格→下載
+                            # →箱形圖」，原本是「箱形圖→表格→下載」——把讀者
+                            # 最先要看的原始數據放最上面，下載按鈕緊接在表格
+                            # 後面，圖表當作視覺化補充放最後。元件本身（identity）
+                            # 沒變，只是宣告順序（等於畫面上下順序）調整，不影響
+                            # 任何其他 wiring。
                             with gr.Tab("2. 差異性分析"):
                                 tab_diff_head = gr.Markdown(_EMPTY_HINT)
-                                tab_box_img   = gr.Image(label="顯著指標箱形圖", visible=False)
                                 tab_diff_df   = gr.Dataframe(
                                     label="差異性分析",
                                     interactive=False, visible=False,
@@ -3145,6 +3441,7 @@ def create_app():
                                     label="下載差異性分析",
                                     interactive=False, visible=False,
                                 )
+                                tab_box_img   = gr.Image(label="顯著指標箱形圖", visible=False)
                             # 子分頁 3：監督式學習
                             with gr.Tab("3. 監督式學習"):
                                 tab_rf_md  = gr.Markdown(_EMPTY_HINT)
@@ -3179,7 +3476,17 @@ def create_app():
                                 )
 
                     with gr.Column(visible=False, elem_id="canvas_report", elem_classes=["canvas-result"]) as canvas_report_col:
-                        tab_rpt_md   = gr.Markdown(_EMPTY_HINT)
+                        # 2026-08-14（待辦 A1）：gr.Markdown 預設 latex_delimiters 只認
+                        # $$...$$（區塊數學），LLM 報告裡常見的 $p=0.0223$ 這種行內數學
+                        # 不會被 KaTeX 接手，原樣顯示成文字。這裡補上單一 $...$ 規則；
+                        # $$ 排在 $ 前面，避免 $$ 被拆成兩個各自不完整的單 $ 配對。
+                        tab_rpt_md   = gr.Markdown(
+                            _EMPTY_HINT,
+                            latex_delimiters=[
+                                {"left": "$$", "right": "$$", "display": True},
+                                {"left": "$",  "right": "$",  "display": False},
+                            ],
+                        )
                         tab_rpt_file = gr.File(
                             label="下載LLM輔助分析",
                             file_count="multiple", interactive=False, visible=False,
@@ -3284,11 +3591,16 @@ def create_app():
             xlsx_list = sorted(output_dir.glob("textIndex_calculated_1_*.xlsx"))
             if csv_path.exists():
                 df = pd.read_csv(str(csv_path))
+                # 2026-08-14：畫面上的表格與指標數統計要濾掉業主要求隱藏的 13 項
+                # （見 HIDDEN_INDICATOR_CODES），但下載的 CSV／XLSX 刻意用未濾過
+                # 的 df（textIndex_calculated 原始檔）——業主說這 13 項「無須
+                # 刪除」，下載檔案代表的是完整原始計算結果，只有畫面呈現要隱藏。
+                df_display = _drop_hidden_indicators(df)
                 # 指標數 = 總欄位數扣除中介欄（Text/Type1/Type2）
-                meta_cols = [c for c in ["Text", "Type1", "Type2"] if c in df.columns]
-                n_indicators = len(df.columns) - len(meta_cols)
-                R[0] = f"### 語言指標分析\n共 **{len(df)}** 個文本，**{n_indicators}** 個語言指標。"
-                R[1] = gr.update(value=df, visible=True)
+                meta_cols = [c for c in ["Text", "Type1", "Type2"] if c in df_display.columns]
+                n_indicators = len(df_display.columns) - len(meta_cols)
+                R[0] = f"### 語言指標分析\n共 **{len(df_display)}** 個文本，**{n_indicators}** 個語言指標。"
+                R[1] = gr.update(value=df_display, visible=True)
                 dl = [str(csv_path)]
                 if xlsx_list:
                     dl.append(str(xlsx_list[-1]))
@@ -3311,8 +3623,34 @@ def create_app():
                 # sig=0 時不會產生箱形圖（見下方 box_path 判斷），若只留白使用者
                 # 容易誤以為系統壞掉，這裡改在標題文字附加空狀態說明
                 empty_note = "" if len(sig) > 0 else "\n\n本次分析未發現統計顯著的指標差異，因此未產生箱形圖。"
+                # 2026-08-14（業主要求）：標題句前面加一句「以［檢定方法］比較
+                # ［分組］文本」，方法與分組名稱都從 diff 本身反推——分組代碼
+                # 是「{組別}_N」這組欄名的前綴（run_statistical_analysis 產出
+                # 時就是這樣命名，見該處 diff_results.append 那段），不是另外
+                # 寫死 A／B，之後研究情境換了分組代號也會自動跟著對。
+                group_codes = [c[:-2] for c in diff.columns if c.endswith('_N')]
+                # 2026-08-14（業主要求）：如果「語料說明」有把分組代碼改寫成
+                # 實際標籤（例如把 A 改成「人工翻譯」），這裡要據實呈現那個
+                # 標籤，不是原始代碼——group_labels 沒填的組別維持顯示代碼。
+                group_labels_map = state.get("group_labels", {}) or {}
+                group_names = [group_labels_map.get(g, g) for g in group_codes]
+                if len(group_names) >= 2:
+                    group_desc = "、".join(group_names[:-1]) + f" 與 {group_names[-1]}"
+                elif group_names:
+                    group_desc = group_names[0]
+                else:
+                    group_desc = ""
+                method_raw = diff['方法'].iloc[0] if len(diff) > 0 and '方法' in diff.columns else None
+                method_zh  = {"t-test": "獨立樣本 t 檢定（Welch）",
+                              "ANOVA":  "單因子變異數分析（ANOVA）"}.get(method_raw, method_raw)
+                prefix = f"以{method_zh}比較 {group_desc} 文本，" if (method_zh and group_desc) else ""
+                # 2026-08-15（業主要求）：下面表格的欄名有 N／M／SD 這種統計
+                # 縮寫，加一句白話說明放在表格正上方，跟 docx 技術報告那份
+                # 的做法一致。
                 R[6] = gr.update(
-                    value=f"### 差異性分析\n共 **{len(diff)}** 個指標，其中 **{len(sig)}** 個達顯著差異（p < {ALPHA}）。{empty_note}",
+                    value=(f"### 差異性分析\n{prefix}共 **{len(diff)}** 個指標，"
+                           f"其中 **{len(sig)}** 個達顯著差異（p < {ALPHA}）。{empty_note}\n\n"
+                           f"下方表格中 N＝樣本數、M＝平均數、SD＝標準差。"),
                     visible=True,
                 )
                 R[7] = gr.update(value=diff, visible=True)
@@ -3361,7 +3699,15 @@ def create_app():
                 R[16] = gr.update(value=str(pca_fig_path), visible=True)
             if cluster_path.exists():
                 cdf = pd.read_csv(str(cluster_path))
-                R[17] = gr.update(value=cdf, visible=True)
+                # 2026-08-15（業主要求）：畫面呈現時 Type1 改標成看得懂的
+                # 「原始分組(A/B)」，Type2 不顯示（它一直是 Type1 的原樣
+                # 複製，沒有額外資訊，見 run_statistical_analysis 那行
+                # df['Type2'] = df['Type1'] 的註解）——下載的 CSV 檔案
+                # 刻意不動，仍保留原始欄名／欄位，跟語言指標分析那張表同一個
+                # 「下載檔案給完整原始資料、畫面只呈現整理過的版本」的原則。
+                cdf_display = cdf.drop(columns=["Type2"], errors="ignore") \
+                                  .rename(columns={"Type1": "原始分組(A/B)"})
+                R[17] = gr.update(value=cdf_display, visible=True)
             cluster_dl = [str(p) for p in [dendro_path, elbow_path, pca_fig_path, cluster_path] if p.exists()]
             if cluster_dl:
                 R[24] = gr.update(value=cluster_dl, visible=True)
@@ -3426,11 +3772,25 @@ def create_app():
                 "report": dl_rpt,
             }, allow_all=report_stage_done)
             state["zip_paths"] = zips
-            for _i, _key in ((26, "idx"), (27, "stat"), (28, "report"), (29, "all")):
+            # 2026-08-15（業主要求）：導覽列下載捷徑只留「下載全部資料」一顆，
+            # 「下載指標數據／統計圖表／研究報告」三顆不再顯示。刻意不刪
+            # nav_dl_idx_btn／nav_dl_stat_btn／nav_dl_report_btn 這三個元件
+            # 的宣告、也不動 _TAB_NAV_DL 清單結構——這批 _TAB_OUTPUTS 的 index
+            # 是全站共用的固定順序（見上方「子清單內部就代表最終 index 順序」
+            # 的警語），砍元件��讓後面所有 index 全部錯位，風險太高。改成
+            # 這裡的迴圈只留 "all" 這一組，前三個按鈕沒有任何地方會把它們
+            # 設回 visible=True，永遠維持宣告時的初始隱藏狀態，畫面上就只
+            # 剩第四顆——效果一樣，但完全不影響其他 index。
+            for _i, _key in ((29, "all"),):
                 if zips.get(_key):
                     R[_i] = gr.update(value=zips[_key], visible=True)
-            # 只要有任何一包 zip，下載捷徑整組（含分隔線）就顯示（B3）
-            if zips:
+            # 2026-08-15：畫面上只剩「下載全部資料」一顆按鈕，容器可見性
+            # 改成只看 "all" 這包在不在——原本「只要有任一包 zip 就顯示」
+            # 在 idx／stat／report 任一包先做出來、但 all 還沒湊齊
+            # （report 階段尚未跑完）時，會出現分隔線卻沒有任何按鈕的空殼
+            # （因為那三顆已經被拿掉），剛好是這段容器邏輯當初想避免的
+            # 「分隔線孤零零留在畫面上」（見上方 B3 註解）。
+            if zips.get("all"):
                 R[30] = gr.update(visible=True)
 
             # ── 顯示各分頁 Tab（index 20-22）＋結果導覽閘門（31-36，A2）──────
@@ -3852,8 +4212,17 @@ def create_app():
             # 可以放心跟其他更新同批。對話視窗自此回歸純輸出角色。格式要求
             # 直接寫進上傳卡片本身（upload_hint_md），使用者不用往上捲回
             # 對話視窗找 AI 剛剛說過的規則——卡片本身就要自己講清楚。
+            # 2026-08-22（見 docs/開發優化建議.md 第一節「研究語料傳送至第三方
+            # AI 服務的資料政策」）：上傳的文本內容會在報告撰寫階段組進 prompt
+            # 送到 OpenRouter（再轉給實際供應商），先前介面完全沒有告知使用者
+            # 這件事。獨立成一段（不是格式要求清單的第 5 項），避免被當成單純
+            # 的檔案格式規定而略過不看——這是機密性提醒，性質跟前四項不同。
             hint = (
-                f"**格式要求**\n\n{sc_info['upload_prompt']}"
+                f"**格式要求**\n\n{sc_info['upload_prompt']}\n\n"
+                "---\n\n"
+                "📢 **隱私提醒**：上傳的文本內容將傳送至第三方 AI 服務"
+                "（OpenRouter 及其上游模型供應商）進行語言分析與報告撰寫。"
+                "請確認語料不涉及尚未公開發表之機密內容，如有疑慮請先與計畫主持人確認後再上傳。"
             )
             yield (chat_history, log_history, state, gr.update(visible=True),
                    _todo_update(state), gr.update(value=hint),
@@ -3963,6 +4332,13 @@ def create_app():
                 yield chat_history, log_history, state, gr.update(visible=True), gr.update(), gr.update()
                 return
 
+            # 2026-08-22（業主回報：對話視窗兩則 AI 訊息之間沒有使用者自己的
+            # 發言氣泡，看起來像 AI 自問自答）：在流程真正開始處理之前，先補一則
+            # 使用者訊息氣泡，把「使用者上傳了哪些檔案」呈現出來，對話才有一來
+            # 一往的感覺。
+            _uploaded_names = [Path(f.name if hasattr(f, "name") else str(f)).name for f in files]
+            chat_history = chat_history + [_user_msg(f"上傳了 {len(_uploaded_names)} 個檔案：{'、'.join(_uploaded_names)}")]
+
             # 文本上傳（step 2：3-A 新增「研究選擇」為第 1 步後，這裡的步驟
             # 編號全部 +1）：開始處理即關閉上傳彈窗，避免遮罩擋住操作。
             # 3-C：同時把「檔案接收」子階段標成 running，寫進 upload_progress_html
@@ -4037,7 +4413,10 @@ def create_app():
             import os
             files = [os.path.basename(p) for p in state.get("cleaned_files", [])]
             groups = sorted(set(f[0].upper() for f in files if f))
-            return [[g, "", "", "", ""] for g in groups], [[f, "", "", "", "", ""] for f in files]
+            # 2026-08-15：群組層改成三組獨立 Textbox 後，這裡不再需要組出
+            # Dataframe 的初始列資料，只需要回傳實際偵測到的分組代碼清單
+            # （給 _show_metadata_form 決定顯示幾組、標題寫哪個代碼）。
+            return groups, [[f, "", "", "", ""] for f in files]
 
         def _df_rows(dfval):
             try:
@@ -4051,8 +4430,57 @@ def create_app():
                 pass
             return []
 
+        def _extract_individual_grouping(indiv_rows, method):
+            """個體間比較模式下，把「個體層資訊」表格整理成 {檔名: 分組標籤}
+            dict，交給 run_statistical_analysis 取代預設的檔名字首分組
+            （2026-08-15 業主要求：選「個體間比��」時，個體層資訊要真的
+            影響分析，不能只是寫進 metadata 文字給 LLM 參考）。
+            method 不是「個體間比較」時一律回傳空 dict——run_statistical_
+            analysis 收到空 dict 等同沒收到，完全不影響現行「群組間比較」
+            的行為。
+
+            2026-08-15 二版（業主糾正）：「個體間比較」的定義是逐檔案比較，
+            不能因為「譯者／系統名稱」剛好打一樣（例如同一位譯者的多篇
+            譯本）就把檔案合併成同一組——那樣等於又退回群組比較，跟
+            「個體間」的字面意思矛盾。這裡改成：同一個名稱出現在多個檔案
+            時，自動用「出版年」加註消歧義（沒填出版年就退而求其次用
+            「重譯序位」，兩者都沒填則直接用檔名本身墊底）——不管怎樣都
+            保證每個檔案分到獨一無二的組，絕不因為名稱撞名而合併。
+
+            欄位索引對應目前的「個體層」表格：0=檔案、1=譯者／系統名稱、
+            2=出版年、3=譯者母語、4=重譯序位（見上方 meta_indiv_df 宣告，
+            2026-08-15 拿掉「後編輯程度」後的新欄位順序）。"""
+            if method != "個體間比較":
+                return {}
+            entries = []  # (檔名, 名稱, 出版年, 重譯序位)
+            for row in indiv_rows:
+                if not row or len(row) < 2:
+                    continue
+                fname = str(row[0]).strip()
+                name  = str(row[1]).strip()
+                year  = str(row[2]).strip() if len(row) > 2 else ""
+                seq   = str(row[4]).strip() if len(row) > 4 else ""
+                if fname and name:
+                    entries.append((fname, name, year, seq))
+
+            name_counts = {}
+            for _, name, _, _ in entries:
+                name_counts[name] = name_counts.get(name, 0) + 1
+
+            mapping = {}
+            for fname, name, year, seq in entries:
+                if name_counts[name] > 1:
+                    disambiguator = year or seq or fname
+                    mapping[fname] = f"{name}（{disambiguator}）"
+                else:
+                    mapping[fname] = name
+            return mapping
+
         def _compile_metadata(state, title, author, lang, pubyear, version,
-                              ngroups, method, group_df, indiv_df):
+                              ngroups, method, group_field_values, indiv_df):
+            """group_field_values：長度 15 的 list，三組 × 5 欄
+            （群組標籤／翻譯類型／翻譯方向／譯者背景／目標讀者）攤平排列，
+            對應 meta_group_fields 三個 slot、各自 5 個 Textbox 的值。"""
             sc = state.get("scenario", "")
             L = ["## 語料 Metadata", "",
                  "### 原文資訊",
@@ -4066,12 +4494,19 @@ def create_app():
                       f"- 群組數量：{ngroups}",
                       f"- 比較方式：{method}", ""]
             gh = ["群組標籤", "翻譯類型", "翻譯方向", "譯者背景", "目標讀者"]
+            # 2026-08-15：每組資訊前面明確標上實際分組代碼（「群組 A：...」），
+            # 不再只是無標籤的一條條列點——LLM 之前因為看不出這行屬於哪個
+            # 分組代碼，把 A／B 的標籤講反過一次（見待辦記錄），這裡從資料
+            # 來源端直接堵掉這個歧義。
+            codes = sorted(set(Path(fp).name[0].upper()
+                                for fp in state.get("cleaned_files", []) if fp))
+            slots = [group_field_values[i*5:(i+1)*5] for i in range(3)]
             L += ["### 群組層資訊"]
-            for r in _df_rows(group_df):
-                if not any(str(c).strip() for c in r):
-                    continue
-                L.append("- " + "；".join(f"{h}：{str(v).strip()}" for h, v in zip(gh, r) if str(v).strip()))
-            ih = ["檔案", "譯者／系統名稱", "出版年", "譯者母語", "後編輯程度", "重譯序位"]
+            for code, vals in zip(codes, slots):
+                filled = [f"{h}：{str(v).strip()}" for h, v in zip(gh, vals) if str(v).strip()]
+                if filled:
+                    L.append(f"- 群組 {code}：" + "；".join(filled))
+            ih = ["檔案", "譯者／系統名稱", "出版年", "譯者母語", "重譯序位"]
             L += ["", "### 個體層資訊"]
             for r in _df_rows(indiv_df):
                 if not any(str(c).strip() for c in r):
@@ -4079,6 +4514,29 @@ def create_app():
                 L.append("- " + "；".join(f"{h}：{str(v).strip()}" for h, v in zip(ih, r) if str(v).strip()))
             return "\n".join(L)
 
+        def _extract_group_labels(state, group_field_values):
+            """把三組群組標籤 Textbox 的值整理成 {分組代碼: 使用者填的標籤}
+            dict，供差異性分析文字／箱形圖 X 軸使用。group_field_values 是
+            長度 15 的攤平 list（見 _compile_metadata），每組取第 0 欄
+            （群組標籤）。
+            對應規則是「位置對位置」：_show_metadata_form() 是照
+            sorted(群組代碼) 的順序把代碼填進每個 slot 的標題（例如
+            「組別 A」），使用者在該 slot 底下的「群組標籤」欄位填的內容
+            就對應那個代碼——沒填或原樣留著代碼本身的 slot 視同沒填，
+            呈現時退回代碼本身。"""
+            try:
+                codes = sorted(set(Path(fp).name[0].upper()
+                                    for fp in state.get("cleaned_files", []) if fp))
+                slot_labels = [group_field_values[i*5] for i in range(3)]
+                labels = {}
+                for code, label in zip(codes, slot_labels):
+                    label = str(label or "").strip()
+                    if label and label != code:
+                        labels[code] = label
+                return labels
+            except Exception:
+                return {}
+
         def _run_computation(chat_history, log_history, state):
             # 2026-07-23：技術執行紀錄轉正成獨立頁面後，可見性只在情境選定
             # （on_scenario_pick）與重置（on_reset_confirm）時切換一次，
@@ -4134,13 +4592,26 @@ def create_app():
                 yield (chat_history, log_history, state, _todo_update(state),
                        gr.update(), _computing_update(state), *tab_updates)
 
+        # 3（metadata_row）+ 21（3 組 × [欄位可見性, 標題, 5 個 Textbox]）
+        # + 1（indiv_df）+ 1（compare_group 可見性）
+        _N_META_FORM_OUTPUTS = 1 + 3 * 7 + 1 + 1
+
         def _show_metadata_form(state):
             _NO = gr.update()
             if not state or state.get("state") != "METADATA_INPUT":
-                return _NO, _NO, _NO, _NO
-            group_rows, indiv_rows = _build_meta_tables(state)
+                return (_NO,) * _N_META_FORM_OUTPUTS
+            groups, indiv_rows = _build_meta_tables(state)
             show_cmp = state.get("scenario", "") in ("3", "4")
-            return (gr.update(visible=True), gr.update(value=group_rows),
+            group_updates = []
+            for i in range(3):
+                if i < len(groups):
+                    group_updates.append(gr.update(visible=True))
+                    group_updates.append(gr.update(value=f"組別 {groups[i]}"))
+                    group_updates += [gr.update(value="")] * 5   # 清空上一輪可能殘留的舊值
+                else:
+                    group_updates.append(gr.update(visible=False))
+                    group_updates += [_NO] * 6                    # 隱藏中，標題／欄位不用動
+            return (gr.update(visible=True), *group_updates,
                     gr.update(value=indiv_rows), gr.update(visible=show_cmp))
 
         # 送出期間鎖住按鈕避免重複點擊（2026-07-24 取消鈕移除後只剩確認鈕一顆）
@@ -4161,7 +4632,10 @@ def create_app():
         ).then(
             fn=_show_metadata_form,
             inputs=[session_state],
-            outputs=[metadata_row, meta_group_df, meta_indiv_df, meta_compare_group],
+            outputs=[metadata_row,
+                     *[c for i in range(3)
+                         for c in [meta_group_cols[i], meta_group_heads[i], *meta_group_fields[i]]],
+                     meta_indiv_df, meta_compare_group],
         )
 
         # 2026-07-31（Batch G 第 1 項）：「重新選擇研究情境」返回鈕。叫回
@@ -4217,8 +4691,15 @@ def create_app():
         )
 
         def on_metadata_confirm(title, author, lang, pubyear, version,
-                                ngroups, method, group_df, indiv_df,
+                                ngroups, method,
+                                g1_label, g1_type, g1_dir, g1_bg, g1_aud,
+                                g2_label, g2_type, g2_dir, g2_bg, g2_aud,
+                                g3_label, g3_type, g3_dir, g3_bg, g3_aud,
+                                indiv_df,
                                 chat_history, log_history, state):
+            group_field_values = [g1_label, g1_type, g1_dir, g1_bg, g1_aud,
+                                   g2_label, g2_type, g2_dir, g2_bg, g2_aud,
+                                   g3_label, g3_type, g3_dir, g3_bg, g3_aud]
             # Bug 4-A 修復（2026-07-30）：outputs 併入 _TAB_OUTPUTS（見下方
             # wiring），generator 的每個 yield 元素個數都要跟 outputs 長度
             # 完全一致——這裡先包一份「_TAB_OUTPUTS 全部不動」的預設值，
@@ -4238,7 +4719,7 @@ def create_app():
                 expected_count = 3 if ngroups == "三群" else 2
                 if len(actual_prefixes) != expected_count:
                     warn_msg = (
-                        f"[WARNING] 您選擇「{ngroups}」，但實際上傳的檔案偵測到 "
+                        f"⚠️ 您選擇「{ngroups}」，但實際上傳的檔案偵測到 "
                         f"{len(actual_prefixes)} 組（{'、'.join(sorted(actual_prefixes)) or '無'}），"
                         "請確認群組數量與上傳檔案是否一致後再送出。"
                     )
@@ -4249,8 +4730,13 @@ def create_app():
                     return
 
             state["user_metadata"] = _compile_metadata(state, title, author, lang, pubyear,
-                                                        version, ngroups, method, group_df, indiv_df)
+                                                        version, ngroups, method, group_field_values, indiv_df)
+            state["group_labels"] = _extract_group_labels(state, group_field_values)
+            state["individual_grouping"] = _extract_individual_grouping(_df_rows(indiv_df), method)
             log_history = _log_append(log_history, "✅ 已記錄語料 Metadata，開始分析")
+            # 2026-08-22：同上傳檔案那段，補一則使用者訊息氣泡，呈現「使用者
+            # 填寫完語料說明並送出」這個動作，避免對話看起來像 AI 自問自答。
+            chat_history = chat_history + [_user_msg("已填寫語料 Metadata 說明（原文資訊、群組層與個體層），開始分析")]
             # 在主對話視窗立即顯示「開始分析」訊息，避免長時間運算期間畫面看起來像沒有反應
             chat_history = chat_history + [_assistant_msg(_ANALYSIS_START_MSG)]
             yield (chat_history, log_history, state, gr.update(visible=False),
@@ -4272,7 +4758,9 @@ def create_app():
         ).then(
             fn=on_metadata_confirm,
             inputs=[meta_title, meta_author, meta_lang, meta_pubyear, meta_version,
-                    meta_ngroups, meta_method, meta_group_df, meta_indiv_df,
+                    meta_ngroups, meta_method,
+                    *meta_group_fields[0], *meta_group_fields[1], *meta_group_fields[2],
+                    meta_indiv_df,
                     chatbot, exec_log, session_state],
             # Bug 4-A 修復（2026-07-30）：併入 _TAB_OUTPUTS，讓 on_metadata_confirm
             # 能在 streaming 過程中（不用等這條 .then() 鏈跑到最後）就把已完成
@@ -4294,6 +4782,8 @@ def create_app():
                 return
             state["user_metadata"] = state.get("user_metadata", "") or "（使用者未提供語料 Metadata 說明）"
             log_history = _log_append(log_history, "⏭️ 已略過 Metadata，直接開始分析")
+            # 2026-08-22：同 on_metadata_confirm，補使用者訊息氣泡（略過版本）。
+            chat_history = chat_history + [_user_msg("略過填寫，直接開始分析")]
             chat_history = chat_history + [_assistant_msg(_ANALYSIS_START_MSG)]
             yield (chat_history, log_history, state, gr.update(visible=False),
                    _todo_update(state), gr.update(), _computing_update(state), *_no_tabs)
@@ -4358,11 +4848,18 @@ if __name__ == "__main__":
     print(f"工作程序  : {LLM2_MODEL}")
     print(f"BASE_DIR  : {BASE_DIR}")
     print("=" * 60)
+    start_session_cleanup_scheduler()
     app = create_app()
+    # 2026-08-22：share=True 原本寫死，代表任何人在任何一台機器執行
+    # `python app_agent.py` 都會額外開一條公開的 *.gradio.live 通道，把本機
+    # 服務暴露到公開網際網路（且連著執行者自己的 OpenRouter 金鑰），沒有任何
+    # 存取控制（見 docs/開發優化建議.md 第六節）。正式機走的是 app.py（見該
+    # 檔，share=False 且已加登入畫面），這裡只影響本機開發；改成預設關閉、
+    # 只有明確設環境變數才臨時開啟分享連結。
     app.launch(
         server_name="0.0.0.0",
         server_port=7860,
-        share=True,
+        share=os.environ.get("GRADIO_SHARE", "false").strip().lower() == "true",
         inbrowser=False,
         allowed_paths=[str(SESSIONS_DIR)],
         head=_APP_HEAD,

assets/app.css

@@ -640,6 +640,18 @@ div[role="log"][aria-label="chatbot conversation"],
 }
 .main-chat .message-row.user,
 .main-chat .message-row.user-row { margin-bottom: 1.1rem !important; }
+/* 2026-08-22（業主：使用者泡泡外框／底色希望跟 AI 不同）：真正畫出氣泡底色與
+   邊框的是內層 .md（見上面「AI 訊息」區塊那條共用選擇器 .message-row .message
+   .md），使用者與 AI 訊息目前吃到同一份 --c-bubble-bg／--c-bubble-border，
+   看起來一樣。這裡只針對使用者泡泡的 .md 覆寫，改用專屬的 --c-user-bg／
+   --c-user-border／--c-user-text（原本就有定義、只是從沒接到任何選擇器上）
+   ——淺色是淡綠、深色是半透明綠，跟 AI 泡泡的中性藍灰做出區隔。 */
+.main-chat .message-row.user .message .md,
+.main-chat .message-row.user-row .user.message .md {
+    background: var(--c-user-bg) !important;
+    border: 1px solid var(--c-user-border) !important;
+    color: var(--c-user-text) !important;
+}
 
 /* AI 訊息（主對話視窗）：淺灰底色跟白色頁面背景錯開，不用外框線 */
 .main-chat .message-row.bot .message,
@@ -2354,10 +2366,24 @@ label:not(:has(input)) > span {
 .virtual-table-viewport {
     scrollbar-width: none !important;
 }
-/* 需要時單獨還原語言指標分析（76 欄）的橫向捲軸：
-#canvas_idx .virtual-table-viewport { scrollbar-width: thin; scrollbar-color: transparent transparent; }
-#canvas_idx .virtual-table-viewport:hover { scrollbar-color: var(--c-scrollbar) transparent; }
-*/
+/* 2026-08-14（業主回報「語言指標分析表格被截斷」）：語言指標分析欄數多
+   （目前實際顯示 62 項指標，欄數隨 HIDDEN_INDICATOR_CODES 增減），橫向
+   捲軸被上面那條全站規則隱形後，使用者只能看到「右緣被切一半的欄位」，
+   沒有提示還能左右拖曳看完整表格。單獨還原這裡的橫向捲軸（沿用第 14 節
+   「預設透明、懸停才出現」那套視覺邏輯，只是這裡是 scrollbar-color 的
+   標準屬性版本，不是 ::-webkit-scrollbar 偽元素）。
+   !important 是必要的：上面那條全站規則本身也是 !important，CSS 的
+   important 優先於一般宣告、跟選擇器精確度無關，這裡不加就贏不了它
+   （實測套用後 scrollbar-width 電腦算出來還是 none，就是漏了這個）。
+   2026-08-15：業主回報差異性分析表格（欄數也不少：指標＋每組 N/M/SD＋
+   方法／統計量／p值／顯著／效果量名稱／效果量／效果大小）右側欄位一樣
+   被切掉，同一顆坑，範圍擴大成 #canvas_stat（統計比較分析——敘述統計／
+   差異性分析／監督式／非監督式共用這個容器）。敘述統計那張表欄數少、
+   本來就不會超出容器寬度，橫向捲軸不會出現，套用這條規則對它沒有副作用。 */
+#canvas_idx .virtual-table-viewport,
+#canvas_stat .virtual-table-viewport { scrollbar-width: thin !important; scrollbar-color: transparent transparent !important; }
+#canvas_idx .virtual-table-viewport:hover,
+#canvas_stat .virtual-table-viewport:hover { scrollbar-color: var(--c-scrollbar) transparent !important; }
 
 /* ── 15. FOCUS & ACCESSIBILITY ─────────────────────────────────── */
 :focus-visible {

使用手冊.docx

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:68d74c3bcd3a6765725f5d668cce3c7819acb6d379714c065167907de70b0584
-size 41783
+oid sha256:85fff99e2cab3d48acda515d9bb12f75ecefc60326c1bec83a88686560a705a8
+size 44547

使用手冊.md

@@ -1,6 +1,6 @@
 # 譯彩紛呈：重譯文本分析系統 — 使用手冊
 
-**TransPrism: An Analytical Framework for Retranslation II｜分析引擎 Spectra Engine**
+**TransPrism: An Analytical Framework for Retranslation II｜分析引擎 SpectraEngine**
 
 > 本手冊說明系統的安裝啟動、操作流程、檔案格式要求、各分頁功能與疑難排解。
 
@@ -11,12 +11,12 @@
 1. [系統簡介](#1-系統簡介)
 2. [系統需求與啟動](#2-系統需求與啟動)
 3. [介面總覽](#3-介面總覽)
-4. [操作流程（八大步驟）](#4-操作流程八大步驟)
+4. [操作流程（四大步驟）](#4-操作流程四大步驟)
 5. [四種研究情境](#5-四種研究情境)
 6. [檔案格式要求](#6-檔案格式要求)
 7. [語料 Metadata 說明](#7-語料-metadata-說明)
 8. [結果分頁說明](#8-結果分頁說明)
-9. [語言指標分類（75 項）](#9-語言指標分類75-項)
+9. [語言指標分類（75 項，畫面顯示 62 項）](#9-語言指標分類75-項畫面顯示-62-項)
 10. [統計方法說明](#10-統計方法說明)
 11. [常見問題與疑難排解](#11-常見問題與疑難排解)
 
@@ -29,9 +29,9 @@
 | Agent | 模型 | 職責 |
 |-------|------|------|
 | **主 Agent（LLM1）** | `google/gemma-4-31b-it` | 研究情境引導、最終研究報告撰寫 |
-| **工作程序 Agent（LLM2）** | `google/gemma-4-26b-a4b-it` | 上傳引導、格式驗證 |
+| **工作程序 Agent（LLM2）** | `google/gemma-4-26b-a4b-it` | 上傳引導、格式驗證回覆 |
 
-系統會對上傳的中文譯本計算 **75 項語言指標**，進行**敘述統計、差異性檢定、機器學習分群與分類**，最後由 LLM 產出一份研究報告。
+系統會對上傳的中文譯本計算 **75 項語言指標**（畫面顯示與 LLM 報告引用 **62 項**，詳見 [第 9 節](#9-語言指標分類75-項畫面顯示-62-項)），進行**敘述統計、差異性檢定、機器學習分群與分類**，最後由 LLM 產出一份研究報告。上傳的文本須先經由姊妹系統「**語料淬鍊（CorpusRefinery）**」完成斷詞與詞性標註。
 
 ---
 
@@ -39,72 +39,73 @@
 
 ### 環境需求
 - Python 3.x
-- 套件：`gradio`、`pandas`、`numpy`、`scikit-learn`、`matplotlib`、`python-docx`
+- 套件：`gradio`、`pandas`、`numpy`、`scipy`、`scikit-learn`、`matplotlib`、`python-docx`、`openpyxl`（完整清單見 `requirements_agent.txt`）
 - OpenRouter API 金鑰（供 LLM 呼叫）
 
 ### 環境變數設定
-LLM 透過 OpenRouter 呼叫，需設定以下環境變數：
+LLM 透過 OpenRouter 呼叫，於專案目錄的 `.env` 檔設定以下變數（可複製 `.env.example` 修改）：
 
 ```
-LLM1_API_KEY   你的 OpenRouter 金鑰
-LLM1_MODEL     google/gemma-4-31b-it（預設）
-LLM2_API_KEY   你的 OpenRouter 金鑰
-LLM2_MODEL     google/gemma-4-26b-a4b-it（預設）
+LLM1_API_KEY   你的 OpenRouter 金鑰（主 Agent）
+LLM1_MODEL     google/gemma-4-31b-it（預設，可不填）
+LLM2_API_KEY   你的 OpenRouter 金鑰（工作程序 Agent）
+LLM2_MODEL     google/gemma-4-26b-a4b-it（預設，可不填）
 ```
 
 ### 啟動系統
 
+於專案目錄執行：
+
 ```powershell
-cd D:\D11-AIAgentForTranslation_main_v2
 python app_agent.py
 ```
 
 啟動後開啟瀏覽器前往：**http://localhost:7860**
 
-> 💡 修改程式碼後，務必**完全關閉舊的 Python 程序**再重啟，否則舊程序可能仍佔用 7860 埠導致看到舊版畫面。
+> 💡 修改程式碼後，務必**完全關閉舊的 Python 程序**再重啟，否則舊程序可能仍佔用 7860 埠導致看到舊版畫面；瀏覽器端也建議 `Ctrl+Shift+R` 強制重整以清除快取。
 
 ---
 
 ## 3. 介面總覽
 
 ```
-┌──────────────────────────────────────────────────────┐
-│  譯彩紛呈：重譯文本分析系統（標題列 + 八步驟指示）         │
-├──────────────────────────────────────────────────────┤
-│  分頁列：主頁 │ 語言指標分析 │ 統計比較分析 │ LLM輔助分析  │
-├───────────────────────────────────┬──────────────────┤
-│  對話視窗（與系統互動）             │                   │
-│                                   │   執行進度        │
-│  [輸入框]            [送出]         │  (to-do-list)    │
-│                                   │                   │
-│  執行視窗（即時訊息紀錄，最新在上）  │                   │
-└───────────────────────────────────┴──────────────────┘
+┌──────────────────────────────────────────────────���─────────────┐
+│  左側導覽列                │  右側主內容區                        │
+│  ─────────────             │  ──────────────                     │
+│  回首頁                    │  【首頁】研究情境選擇卡片              │
+│  AI 對話                   │  【AI 對話】對話視窗（含步驟指示列）   │
+│  語言指標分析               │  【結果分頁】各分頁對應內容              │
+│  敘述統計                  │                                     │
+│  差異性分析                 │                                     │
+│  監督式學習                 │                                     │
+│  非監督式學習               │                                     │
+│  LLM 輔助分析               │                                     │
+│  技術執行紀錄               │                                     │
+│  使用手冊（下載捷徑）         │                                     │
+└────────────────────────────────────────────────────────────────┘
 ```
 
-- **對話視窗**：與系統對話、選擇情境、接收引導訊息。
-- **輸入框 + 送出**：輸入指令（如情境編號）。
-- **執行視窗**：即時顯示系統各步驟的執行訊息（最新置頂）。
-- **執行進度（右欄）**：選定情境後出現的 to-do-list，即時勾選 1~8 步驟進度。
-- **結果分頁**：分析完成後自動顯示，初始為隱藏。
+- **左側導覽列**：固定顯示於畫面左側，可切換淺色／深色模式、收合導覽列；分析完成前，除「回首頁」「AI 對話」外的分頁項目維持不可點選（灰階），分析完成後才會解鎖。
+- **AI 對話**：與系統互動的主要介面，採對話泡泡形式呈現——系統訊息（AI 頭像，彩虹弧線圖示）靠左、使用者動作（如「選擇了研究情境」「上傳了 N 個檔案」「已填寫語料 Metadata 說明」）靠右，兩者以不同底色區分，讓對話一來一往的脈絡清楚可辨。
+- **步驟指示列**：對話視窗上方即時顯示目前所在步驟（情境選擇／文本上傳／語料說明／分析運算），已完成步驟標示 ✓。
+- **技術執行紀錄**：獨立分頁，逐行記錄系統各階段的技術性訊息（格式驗證、指標計算、統計分析、報告撰寫等），供排查問題使用。
+- **結果分頁**：語言指標分析、敘述統計、差異性分析、監督式學習、非監督式學習、LLM 輔助分析，分析完成後自動可瀏覽。
+- **使用手冊**：導覽列最底提供下載捷徑，可直接下載本手冊（`.docx`）。
 
 ---
 
-## 4. 操作流程（八大步驟）
+## 4. 操作流程（四大步驟）
 
-右欄「執行進度」會即時反映目前所在步驟：
+對話視窗上方的步驟指示列會即時反映目前所在步驟：
 
 | 步驟 | 名稱 | 說明 |
 |------|------|------|
-| **1** | 情境選擇 | 在對話視窗輸入 `1`、`2`、`3` 或 `4` 選擇研究情境 |
-| **2** | 上傳引導 | 系統說明檔名規範與斷詞格式要求 |
-| **3** | 文本上傳 | 點選上傳卡片，選擇已斷詞的 `.txt` 檔（可多選）→ 確認上傳 |
-| **4** | 格式驗證 | 系統自動檢查是否為 ckip_segmentation_sumin 斷詞格式 |
-| **5** | 指標計算 | 計算 75 項語言指標 |
-| **6** | 統計分析 | 敘述統計、差異檢定、機器學習 |
-| **7** | 報告撰寫 | 主 Agent（LLM1）撰寫研究報告 |
-| **8** | 下載成果 | 於各結果分頁檢視與下載 |
+| **1** | 情境選擇 | 於首頁卡片點選四種研究情境之一 |
+| **2** | 文本上傳 | 上傳已斷詞的 `.txt` 檔（可多選）→ 按「確認上傳」；系統會先接收檔案，再自動驗證是否為「語料淬鍊（CorpusRefinery）」斷詞格式，不符者會列出原因並要求重新上傳 |
+| **3** | 語料說明 | 格式驗證通過後，跳出「語料 Metadata 說明」表單，填寫後按「確認並開始分析」，或按「略過」直接進入下一步（詳見 [第 7 節](#7-語料-metadata-說明)） |
+| **4** | 分析運算 | 依序完成三個子階段：**指標計算**（語言指標）→ **統計分析**（敘述統計、差異性檢定、機器學習）→ **報告撰寫**（主 Agent 撰寫研究報告）；每個子階段完成後可立即點擊對應連結查看該分頁結果，不需等全部跑完 |
 
-> **重要新增步驟**：在步驟 4（格式驗證通過）與步驟 5（指標計算）之間，系統會跳出**「語料 Metadata 說明」表單**，請填寫後按「確認並開始分析」才會進入計算（詳見 [第 7 節](#7-語料-metadata-說明)）。
+> ⚠️ 分析運算期間請保持分頁在前景、電腦勿休眠，直到看到「分析完成」為止，避免連線中斷���致畫面卡住。運算中途仍可按「回首頁」中止分析並重新開始。
 
 ---
 
@@ -117,7 +118,7 @@ python app_agent.py
 | **3** | 不同譯者的同期譯本 | 二群以上（A/B/C…） | 個人風格差異（排除時代因素） |
 | **4** | 同一原文的不同時期人工譯本 | 二群以上（A/B/C…） | 歷時變化、語言現代化、翻譯規範演變 |
 
-> 情境 **1、2 固定為二群**，故 Metadata 表單中的「比較結構」欄位會自動隱藏；情境 **3、4** 則會顯示，可指定群組數量與比較方式。
+> 情境 **1、2 固定為二群**，故 Metadata 表單中的「群組數量」「比較方式」欄位會自動隱藏；情境 **3、4** 則會顯示，可指定群組數量（二群／三群）與比較方式（群組間比較／個體間比較）。
 
 ---
 
@@ -130,13 +131,12 @@ python app_agent.py
 - 範例：`A_CH1_seg.txt`、`B_DB1_seg.txt`（A 群、B 群各自的個體檔）
 
 ### 6.2 斷詞要求（必要條件）
-- 文本**必須先經由 [ckip_segmentation_sumin](https://github.com/suhsiung/ckip_segmentation_sumin) 工具完成斷詞**才能上傳。
-- 系統會自動驗證格式，不符者會要求重新處理。
+- 文本**必須先經由 [語料淬鍊（CorpusRefinery）](https://github.com/minchun-git/I_CorpusRefinery) 工具完成斷詞**才能上傳。
+- 系統會自動驗證格式（取樣前 100 行，判斷含底線 `_` 的 token 佔比是否達 70% 以上、且偵測到至少一個 CKIP 詞性特徵），不符者會列出檔名與原因，要求重新處理後再上傳。
 
 ### 6.3 內容格式
 每行為下列之一：
 - `詞_詞性`（例如：`翻譯_VC`）
-- `_詞性`
 - 空白行（段落分隔）
 
 ---
@@ -148,81 +148,94 @@ python app_agent.py
 ### 一、原文資訊
 原文標題、作者、語言、出版年、版本。
 
-### 二、比較結構（僅情境 3、4）
+### 二、群組數量與比較方式（僅情境 3、4 顯示）
 - **群組數量**：二群／三群
-- **比較方式**：群組間比較／個體間比較
+- **比較方式**：
+  - **群組間比較**：沿用檔名字首分組（A／B／C…），為預設方式。
+  - **個體間比較**：改依「個體層資訊」所填的「譯者／系統名稱」作為實際分組依據，**會真正影響差異性分析、機器學習等統計結果**，不只是報告文字的表面敘述。若同一名稱重複出現於多筆個體（例如同一譯者跨檔案比較），系統**不會**把它們合併成同一組，而是依「出版年」→「重譯序位」→「檔名」依序消歧義，組成如「陳大文（2001）」的唯一分組標籤，確保逐檔案比較不因同名而被誤併。
 - （情境 1、2 固定二群，此區自動隱藏）
 
 ### 三、群組與個體資訊
-- **群組層**（可編輯表格，依檔名首字母自動列出各群）：群組標籤、翻譯類型、翻譯方向、譯者背景、目標讀者。
-- **個體層**（可編輯表格，依上傳檔案自動逐筆列出）：譯者／系統名稱、出版年、譯者母語、後編輯程度、重譯序位。
+- **群組層**（依檔名首字母自動列出各組別，如「組別 A」「組別 B」；每組各為一組獨立欄位）：群組標籤、翻譯類型、翻譯方向、譯者背景、目標讀者。
+- **個體層**（可編輯表格，依上傳檔案自動逐筆列出）：檔案、譯者／系統名稱、出版年、譯者母語、重譯序位。
 
-填妥後按 **「確認並開始分析」**；若不需填寫可按 **「略過」** 直接分析。所填內容會編譯成結構化說明，作為 LLM 撰寫研究報告的背景脈絡。
+填妥後按 **「確認並開始分析」**；若不需填寫可按 **「略過」** 直接分析。所填內容會編譯成結構化說明，作為 LLM 撰寫研究報告的背景脈絡；「比較方式」若選「個體間比較」，還會進一步實際改變統計分組（見上）。
 
 ---
 
 ## 8. 結果分頁說明
 
-分析完成後，頂部分頁自動顯示：
+分析完成後，左側導覽列的各分頁自動解鎖：
 
 ### 📊 語言指標分析
-- 75 項語言指標的計算結果表格。
-- 可下載 CSV / XLSX 原始數據。
+- 62 項語言指標（畫面顯示範圍，詳見 [第 9 節](#9-語言指標分類75-項畫面顯示-62-項)）的計算結果表格。
+
+### 📈 敘述統計
+- 各指標的樣本數（N）、平均數（M）、標準差（SD）、中位數、最小／最大值、變異係數。
+
+### 📉 差異性分析
+- 群組間差異檢定（t 檢定／ANOVA）、p 值、顯著性、效果量，並明確標示各組別中平均數最高／最低者（附實際數值）。
+- 表格上方附「N＝樣本數、M＝平均數、SD＝標準差」圖例說明。
+- 顯著指標箱形圖（依效果量絕對值排序，取前 12 項），圖題同時標示 p 值與效果量，橫軸使用語料說明所填的實際群組標籤。
+
+### 🌲 監督式學習
+- 隨機森林分類準確率、特徵重要性 Top 20（中文標題與座標軸）。
 
-### 📈 統計比較分析（含 5 個子分頁）
-| 子分頁 | 內容 |
-|--------|------|
-| **1. 敘述統計** | 75 項指標的平均數、中位數、標準差、最小／最大值、變異係數 |
-| **2. 差異性分析** | 群組間差異檢定（t 檢定／ANOVA）、p 值、顯著性、效果量 + 顯著指標箱形圖 |
-| **3. 監督式學習** | 隨機森林分類準確率、特徵重要性 Top 20 |
-| **4. 非監督式學習** | 層次分群樹狀圖、K-means Elbow、PCA 2D 視覺化、分群結果 |
-| **5. 其他** | 下載統計輸出檔案 |
+### 🔀 非監督式學習
+- 階層式分群樹狀圖（Ward 法）、K-means 手肘圖、PCA 二維視覺化分群結果，座標軸與圖例皆為中文。
 
-### 📝 LLM輔助分析
-- 主 Agent（LLM1）撰寫的深度研究報告，可下載 Word（.docx）與純文字（.txt）。
+### 📝 LLM 輔助分析
+- 主 Agent（LLM1）撰寫的深度研究報告，含語料說明、數據事實描述（差異性分析／監督式學習／非監督式學習皆須明確指出方向與數值）、情境特定分析、待驗證事項、已知限制五大段落。
+- 可下載 Word（`.docx`）與純文字（`.txt`）。
+
+### ⚙️ 技術執行紀錄
+- 逐行顯示系統各階段的技術性執行訊息，供排查問題使用。
+
+### 下載
+- 左側導覽列提供單一「**下載全部資料**」捷徑，一次取得語言指標原始檔（CSV／XLSX，完整 75 項）、統計與機器學習輸出（含 `05_cluster_results.csv`，欄位已中文化為「原始分組(A/B)」）、圖表與研究報告（docx／txt）之壓縮檔（ZIP）。
 
 ---
 
-## 9. 語言指標分類（75 項）
+## 9. 語言指標分類（75 項，畫面顯示 62 項）
 
-| 類別 | 指標數 | 代碼範圍 |
-|------|--------|----------|
-| 基礎統計 | 6 | AA_01 ~ AA_06 |
-| 詞彙難易度 | 2 | AC_01、AC_02 |
-| 詞彙多樣性 | 2 | AD_02、AD_03 |
-| 語意複雜度 | 4 | AG_01、AG_02、AG_05、AG_06 |
-| 語法複雜度 | 4 | AH_01、AH_03、AH_06、AH_08 |
-| **篇章連貫** | 11 | AJ_01 ~ AJ_11（連接詞與各類代詞照應） |
-| 詞性標記 | 46 | AF_01 ~ AF_47（除 AF_13） |
-| **合計** | **75** | |
+| 類別 | 指標數 | 代碼範圍 | 畫面顯示 |
+|------|--------|----------|----------|
+| 基礎統計 | 6 | AA_01 ~ AA_06 | 4（AA_02 相異字數、AA_04 相異詞數隱藏） |
+| 詞彙難易度 | 2 | AC_01、AC_02 | 2 |
+| 詞彙多樣性 | 2 | AD_02、AD_03 | 2 |
+| 語意複雜度 | 4 | AG_01、AG_02、AG_05、AG_06 | 4 |
+| 語法複雜度 | 4 | AH_01、AH_03、AH_06、AH_08 | 4 |
+| 篇章連貫 | 11 | AJ_01 ~ AJ_11 | 0（全數隱藏） |
+| 詞性標記 | 46 | AF_01 ~ AF_47（除 AF_13） | 46 |
+| **合計** | **75** | | **62** |
 
-> 「語言指標分析」與「統計比較分析」的指標數一致，皆為 **75**。
+> **關於隱藏指標**：AA_02、AA_04 與 AJ_01～AJ_11 共 13 項指標，因與目前分析焦點關聯性較弱，自「語言指標分析」表格、統計分頁與 LLM 報告中**隱藏不顯示**。此隱藏僅作用於畫面與報告，**不影響原始資料**——下載的 `textIndex_calculated.csv`／`.xlsx` 仍完整保留全部 **75 項**指標，供有進階需求的研究者取用。
 
 ---
 
 ## 10. 統計方法說明
 
-- **分組依據**：檔名第一個字母（A、B、C…）。
+- **分組依據**：預設為檔名第一個字母（A、B、C…）；若語料說明選「個體間比較」，則改依填寫的譯者／系統名稱（含消歧義後綴）分組（見 [第 7 節](#7-語料-metadata-說明)）。
 - **差異檢定**：
   - 二群 → Independent t-test（Welch）
   - 三群以上 → One-way ANOVA
   - 顯著水準 α = **0.05**
-- **效果量**：t 檢定用 Cohen's d；ANOVA 用 η²（含大／中／小／極小判讀）。
-- **監督式學習**：隨機森林分類器，輸出準確率與特徵重要性。
-- **非監督式學習**：階層式分群（Ward）、K-means（含 Elbow）、PCA 2D 降維視覺化。
+- **效果量**：t 檢定用 Cohen's d；ANOVA 用 η²（含大／中／小／極小判讀）。報告文字一律須明確指出各組別中平均數最高／最低者，不會只列出統計量而不說明方向。
+- **監督式學習**：隨機森林分類器（500 棵樹），輸出準確率、樣本外預測意義判讀，與特徵重要性 Top 20。
+- **非監督式學習**：階層式分群（Ward）、K-means（含 Elbow 法決定群數）、PCA 2D 降維視覺化；分群結果下載檔已將內部欄位 `Type1`／`Type2` 整理為「原始分組(A/B)」單一欄位。
 
 ---
 
 ## 11. 常見問題與疑難排解
 
 **Q1：上傳後畫面卡住、無法點選？**
-上傳卡片為行內卡片，按「確認上傳」或「略過」後會自動關閉。若仍卡住，請按 `Ctrl+Shift+R` 強制重整。
+上傳卡片為行內卡片，按「確認上傳」後會自動關閉並顯示處理進度。若仍卡住，請按 `Ctrl+Shift+R` 強制重整。
 
 **Q2：修改設定後畫面沒更新？**
 請完全關閉舊 Python 程序再重啟，並用 `Ctrl+Shift+R` 清除瀏覽器快取。確認 7860 埠的��序是新啟動的實例。
 
 **Q3：指標數量不一致 / 顯示舊結果？**
-結果分頁的數據在「執行計算」當下才生成。重啟 app 或重整頁面**不會**重算既有結果——需**完整重跑一次分析**（重新上傳→計算）。
+結果分頁的數據在「分析運算」當下才生成。重啟 app 或重整頁面**不會**重算既有結果——需**完整重跑一次分析**（重新上傳→計算）。
 
 **Q4：埠 7860 被佔用？**
 ```powershell
@@ -231,8 +244,14 @@ Get-Process python | Stop-Process -Force
 確認 7860 完全釋放後再啟動。
 
 **Q5：格式驗證一直失敗？**
-確認檔案確實經由 ckip_segmentation_sumin 斷詞，且內容為 `詞_詞性`／`_詞性`／空白行格式。
+確認檔案確實經由「語料淬鍊（CorpusRefinery）」斷詞，且內容為 `詞_詞性` 或空白行格式；若上傳前已刪除部分檔案，請確認畫面上實際顯示的檔案清單為目前想上傳的全部檔案（系統以畫面所見為準，不會保留先前已刪除的檔案）。
+
+**Q6：語言指標分析表格為什麼看起來比 75 項少？**
+共 13 項指標（相異字數 AA_02、相異詞數 AA_04、篇章連貫 AJ_01～AJ_11）於畫面與報告中預設隱藏，詳見 [第 9 節](#9-語言指標分類75-項畫面顯示-62-項)；完整 75 項仍保留於下載的原始 CSV／XLSX 檔案中。
+
+**Q7：「個體間比較」選了之後，統計結果好像沒變？**
+請確認語料說明的「個體層資訊」表格中，各筆「譯者／系統名稱」欄位已確實填寫；若留白，該筆將無法納入個體分組。
 
 ---
 
-*文件版本：2026-06｜對應系統：TransPrism II（Spectra Engine）*
+*文件版本：2026-08-22｜對應系統：TransPrism II（Spectra Engine）*