Vad skiljer p90 från p10 på Substansindex?
Jämförelse av Substansindex mellan dokument i topp-tiondelen (p90) och botten-tiondelen (p10).
Är grupperna olika långa?
p90 har i snitt 1733 ord (median 1280). p10 har i snitt 1145 ord (median 886).
p90-dokument är längre än p10-dokument. Vissa skillnader nedan kan bero på att längre dokument hinner ta upp fler saker, inte att de är bättre eller sämre.
Hur skiljer sig grupperna på andra mått?
Jämför p90 med p10 på andra dimensioner. Värdena är justerade för dokumentlängd, vilket betyder att vi jämför korta dokument mot korta, mellanlånga mot mellanlånga, långa mot långa, och slår sedan ihop resultaten. När den justerade skillnaden är mycket mindre än den ojusterade handlade hela skillnaden om att grupperna var olika långa, inte att innehållet skiljde sig.
| Dimension | Pelare | Skillnad (justerad för längd) | Robust vid bredare tröskel? | Att veta |
|---|---|---|---|---|
| E3 Avsikt | STA7 | märkbart högre i p90 | Ja, fyndet håller även vid q75/q25 | Ojusterad och justerad är liknande |
| STA7 (totalt) | STA7 | märkbart högre i p90 | Ja, fyndet håller även vid q75/q25 | Ojusterad och justerad är liknande |
| E6 Förmågor | STA7 | märkbart högre i p90 | Ja, fyndet håller även vid q75/q25 | Ojusterad och justerad är liknande |
| E2 Antaganden | STA7 | lite högre i p90 | Ja, fyndet håller även vid q75/q25 | Ojusterad och justerad är liknande |
| Integration | Övrigt | lite högre i p90 | Ja, fyndet håller även vid q75/q25 | Ojusterad och justerad är liknande |
| DNA Nomenklatur | DNA | lite högre i p10 | Nej, bara synligt vid p90/p10 | Ojusterad och justerad är liknande |
| LUFT (totalt) | LUFT | lite högre i p90 | Ja, fyndet håller även vid q75/q25 | Ojusterad och justerad är liknande |
| E4 Värde | STA7 | lite högre i p90 | Ja, fyndet håller även vid q75/q25 | Ojusterad och justerad är liknande |
| DNA Driv | DNA | lite högre i p90 | Ja, fyndet håller även vid q75/q25 | Något av skillnaden var längd-effekt |
| E5 Målbilder | STA7 | liknar varandra | Ja, fyndet håller även vid q75/q25 | Ojusterad och justerad är liknande |
| DNA Anatomi | DNA | liknar varandra | Ja, fyndet håller även vid q75/q25 | Ojusterad och justerad är liknande |
| E7 Friktion | STA7 | liknar varandra | Ja, fyndet håller även vid q75/q25 | Ojusterad och justerad är liknande |
| BLA (totalt) | BLA | liknar varandra | Ja, fyndet håller även vid q75/q25 | Ojusterad och justerad är liknande |
| E1 Utmaning | STA7 | liknar varandra | Ja, fyndet håller även vid q75/q25 | Något av skillnaden var längd-effekt |
Vilka ord används mer av varje grupp?
Ord som förekommer i fler p90-dokument än p10-dokument (eller tvärtom). Räknat per dokument: ett ord räknas en gång oavsett hur ofta det förekommer i samma dokument.
Ord som p90 använder mer
Visar i hur många dokument av 39 ordet förekommer.
- princip p90: 30 / p10: 1
- styrande p90: 21 / p10: 4
- förhållningssätt p90: 17 / p10: 2
- sträva p90: 16 / p10: 2
- återanvända p90: 17 / p10: 3
- prioritering p90: 25 / p10: 7
- arkitektur p90: 13 / p10: 1
- vikt p90: 14 / p10: 2
- alternativ p90: 12 / p10: 1
- tillämpa p90: 15 / p10: 3
- leverans p90: 12 / p10: 2
- ramverk p90: 14 / p10: 3
- möjlig p90: 14 / p10: 3
- utgå p90: 27 / p10: 10
- målgrupp p90: 13 / p10: 3
- upprätthålla p90: 13 / p10: 3
- datum p90: 17 / p10: 5
- kanal p90: 15 / p10: 4
- vägledande p90: 9 / p10: 1
- riktlinjer p90: 9 / p10: 1
- insikt p90: 9 / p10: 1
- framgångsfaktor p90: 9 / p10: 1
- kompetensförsörjning p90: 9 / p10: 1
- bra p90: 18 / p10: 6
- riktning p90: 16 / p10: 5
Ord som p10 använder mer
Visar i hur många dokument av 39 ordet förekommer.
- regional p90: 4 / p10: 14
- agenda p90: 5 / p10: 15
- hjälp p90: 16 / p10: 27
- tillgodose p90: 4 / p10: 13
- handlingsplan p90: 12 / p10: 21
- implementera p90: 3 / p10: 10
- självständighet p90: 2 / p10: 8
- agendan p90: 2 / p10: 8
- villkor p90: 3 / p10: 9
- efterfråga p90: 4 / p10: 10
- fokusera p90: 12 / p10: 19
- införa p90: 6 / p10: 12
- region p90: 9 / p10: 15
- satsa p90: 3 / p10: 8
- arbetsmoment p90: 3 / p10: 8
- framtagande p90: 3 / p10: 8
- årlig p90: 3 / p10: 8
- resa p90: 3 / p10: 8
- webb p90: 3 / p10: 8
- utbildning p90: 12 / p10: 18
- tillgång p90: 19 / p10: 25
- verksamhetssystem p90: 4 / p10: 9
- ledningsgrupp p90: 4 / p10: 9
- politik p90: 5 / p10: 10
- enhetlig p90: 5 / p10: 10
Per organisations-typ (är ord-mönstren samma i kommun, region och stat?)
Samma log-odds-ratio-analys som ovan men beräknad separat för varje organisations-typ. Visar om de generella mönstren håller eller om de drivs av en specifik typ. Org-typer med färre än 10 dokument i p90 eller p10 visas inte (otillförlitliga estimat).
Kommun (p90 n=18, p10 n=19)
Mer i p90 (top 10)
- prioritering 12/2
- förhållningssätt 10/1
- verksamhetsutveckling 16/5
- sektor 11/3
- intern 15/6
- nämnd 15/6
- utgå 13/5
- hand 11/4
- bra 11/4
- anpassa 9/3
Mer i p10 (top 10)
- agenda 2/8
- tillgång 6/13
- integritet 6/12
- system 7/13
- visa 4/9
- samarbete 6/11
- kommunikation 6/11
- tillgodose 3/7
- användare 3/7
- underlätta 9/14
Region (p90 n=4, p10 n=8)
Otillräckligt sample för stratifierad analys.
Stat (p90 n=17, p10 n=12)
Mer i p90 (top 10)
- övrig 12/1
- informationssäkerhet 12/1
- värde 11/1
- säkerställa 14/2
- styrning 10/1
- tillämpa 10/1
- återanvända 10/1
- grad 9/1
- riktlinj 9/1
- styra 16/3
Mer i p10 (top 10)
- digitaliseringsstrategi 5/9
- hjälp 4/6
- exteren 6/7
- utbildning 5/6
- samtlig 6/6
- syfte 15/11
- särskild 5/5
- verka 5/5
- fokusera 5/5
- analys 5/5
Semantisk närhet mellan dokumenten
Använder spaCy-vektorer (300-dim) per dokument och beräknar genomsnittlig cosinus-likhet inom p90 (39 dok), inom p10 (38 dok) och mellan grupperna. Mäter om p90-dokumenten är semantiskt täta (samma temacluster) eller endast lexikalt täta (samma ord, olika tema). Värden 0–1: högre = mer lik.
| Mått | Cosinus-likhet |
|---|---|
| Inom p90 (genomsnitt par-vis) | 0.940 |
| Inom p10 (genomsnitt par-vis) | 0.945 |
| Mellan p90 och p10 | 0.942 |
| Tightness-diff (p90 - mellan) | -0.001 |
Tolkning: positiv tightness-diff betyder att p90-dokumenten är mer lika varandra än de är p10-dokumenten, vilket pekar mot egen semantisk klunga. Nära noll betyder att lexikal skillnad i tabellen ovan inte motsvaras av semantisk separation.
Hur skiljer sig strukturen?
Rubriker, listor, referenser i dokumentet. Justerad för längd som ovan.
| Mått | p90 medel | p10 medel | Skillnad (längd-justerad) |
|---|---|---|---|
| headings_total_per_1k | 0.0 | 0.0 | liknar varandra |
| tables_count_per_1k | 0.01 | 0.01 | liknar varandra |
| list_bullet_count_per_1k | 2.91 | 4.87 | liknar varandra |
| list_numbered_count_per_1k | 1.25 | 1.54 | lite högre i p90 |
| list_ratio | 0.06 | 0.08 | liknar varandra |
| total_references_per_1k | 12.94 | 9.41 | märkbart högre i p90 |
| ref_legislation_per_1k | 0.24 | 0.14 | liknar varandra |
| ref_organizations_per_1k | 1.39 | 0.42 | lite högre i p90 |
Hur är detta beräknat?
Underlag: 39 dokument i p90, 39 dokument i p10 (av dessa har 39 respektive 39 annoterad text för ord-analysen).
"Skillnad" i tabellerna ovan är översatt från Cohen's d med tröskelvärdena 0.2 (liten), 0.5 (medel) och 0.8 (stor). Standardvärden för effektstorlek (Cohen 1988).
Längd-justering. Dokumenten delas i tre lika stora grupper efter ord-antal:
kort (under 1207 ord),
mid (upp till 2139 ord),
och lång (resten). Cohen's d beräknas inom varje längd-grupp och poolas via inverse-variance
weighting (analog med fixed-effect meta-analysis av Hedges g). Detta neutraliserar
längd-confound som annars uppstår när rankningen på Substansindex är systematiskt
längd-stratifierad. Se docs/length-bias-audit-2026-06-05.md för bakgrund.
Ord-jämförelsen använder log-odds-ratio med Dirichlet-prior (Monroe, Colaresi och Quinn 2008). En statistisk metod som visar vilka ord som är överrepresenterade i en grupp jämfört med en annan. Visas endast ord som förekommer i minst 10 dokument totalt och som är innehållsord (substantiv, verb, adjektiv, egennamn). Ord-räkningen är per-dokument förekomst, inte total frekvens (annotated/-format ger unika lemman per dok). Lexikal differential är INTE längd-justerad i nuvarande version.
Kvarstående bias. Per length-bias-audit 2026-06-05 har STA7- och DNA-rå-scores i baseline_scores.csv stark längd-korrelation (canvas_compound ρ=+0.774, nom_total ρ=+0.850). Detta är drift mellan baseline-CSV och density-versionerna i deep_scoring.py och åtgärdas separat. Stratifieringen ovan hanterar konsekvensen i cross-dim-tabellen men löser inte grundorsaken.
Underlaget är genererat 2026-06-05 mot frusen baseline. Vid förändringar i scoring eller korpus måste underlaget regenereras.