Update DATA_CLEANING_AND_CODING.md

Author: sherlock0717

docs/methodology/DATA_CLEANING_AND_CODING.md

@@ -1,6 +1,6 @@
 # 数据清洗、证据切分与编码流程
 
-本文说明 PsyLens 如何将多平台公开讨论整理成可分析的数据。展示页采用去工程化表达；本文件保留字段、规则和质量检查细节。
+本页说明 PsyLens 如何将多平台公开讨论整理成可分析的数据。
 
 ## 1. 数据处理目标
 
@@ -29,9 +29,9 @@
 
 ## 3. 候选发现与采集登记
 
-采集阶段先形成候选帖子登记表，记录平台、检索主题、时间窗和讨论入口。真实抓取结果保存在本地缓存中，缓存与登录信息不进入公开仓库。分析样本保留平台和时间窗等研究字段，公开副本移除可直接定位原帖或账号的字段。
+采集阶段先形成候选帖子登记表，记录平台、检索主题、时间窗和讨论入口。真实抓取结果保存在本地缓存中，缓存与登录信息等不录入公开仓库。分析样本保留平台和时间窗等研究字段，公开副本移除可直接定位原帖或账号的字段。
 
-当前案例使用三个平台，每个平台选取 120 条样本。等额抽样用于保证跨平台观察时各平台都有足够材料，因此平台样本数相同属于研究设计，不能据此推断平台的真实讨论规模相同。
+当前案例使用三个平台，每个平台选取 120 条样本。等额抽样用于保证跨平台观察时各平台都有足够材料，因此平台样本数相同属于研究设计，更具体的分析还需考虑平台的真实讨论规模等因素。
 
 ## 4. 规则预清洗
 
@@ -72,7 +72,7 @@
 - 只保留分析、复现与字段解释需要的文本和结构字段；
 - 公开样本只保存 `public_text`，不再重复保存内容相同的 `raw_text`。
 
-当前公开样本有 240 条日期为空。日期不是证据回溯和编码的必需字段，因此保留为空；涉及时间趋势分析时，这部分记录不能进入日期比较。
+当前公开样本有 240 条日期为空（受平台规则影响），不过日期不是证据回溯和编码的必需字段，因此保留为空；只是涉及时间趋势分析时，这部分样本不能进入日期比较。
 
 ## 7. 证据单元切分
 
@@ -84,7 +84,7 @@
 - 每段去除首尾空白；
 - 默认长度少于 6 个字符的片段不单独进入候选证据；
 - 证据文本必须能够在父样本 `public_text` 中逐字定位；
-- 不跨样本拼接，不补写省略信息，不修改原文立场。
+- 严禁跨样本拼接、补写省略信息、修改原文立场。
 
 候选片段随后记录纳入状态：
 
@@ -102,7 +102,7 @@
 - `label_source`：标签来源；
 - `review_status`：标签流程状态。
 
-表层话题和机制使用固定词表。信息不足时，分别使用 `other_uncertain` 和 `uncertain`。公开数据中曾有 47 条表层话题为空，规范化过程已统一改为 `other_uncertain`，避免同一含义同时使用空值和暂时保留为不确定值。
+表层话题和机制使用固定词表。信息不足时，分别使用 `other_uncertain` 和 `uncertain`。公开数据中有 47 条表层话题为空，规范化过程已统一为 `other_uncertain`，避免同一含义同时使用空值和暂时保留为不确定值。
 
 ## 9. 质量检查
 
@@ -163,5 +163,3 @@ python tools/summarize_public_analysis.py \
 # 运行离线示例流程
 python tools/run_demo.py --provider mock --output artifacts/demo/run
 ```
-
-生成器只读取公开数据，默认不联网，也不读取 Cookie、Token 或 API Key。