把留香標成「優／良／差」，是在一個沒有天然切點的分布上畫線

「什麼事讓你覺得煩」那串裡，有一則得了 28 票，而它指名了一個對象：

「那是某個香水資料庫的錯，他們開始把留香從『優異』到『差』評等，而不是單純顯示時數、不做價值判斷。 很煩。」

底下的附議：

「就是這個！光是那一件事就影響了一整個世代剛入門的人。他們錯誤地以為，一支香水如果不是『猛獸模式』就不值得聞。」

這是一個關於評分尺度設計的抱怨，而它可以從兩個方向查：資料長什麼樣，以及標籤會不會改變判斷。

先講結論

• 本站資料庫有 2,027 筆留香紀錄，而其中只有 210 個不重複的數值。
• 12 個數值就佔了 55.4%。 最大的一堆是 400 小時，334 筆（16.5%）。
• 那些堆正好落在整數上：4 小時（8.4%）、12 小時（4.9%）、8 小時（4.5%）、24 小時（4.1%）。
• 所以任何一條「幾小時以下算差」的線，都會落在堆上而不是縫上。 以八小時為界的話，那條線正好切過 92 筆剛好記在 8.0 小時的紀錄——它們落在哪一邊，完全取決於規則寫的是「≥8」還是「>8」。
• 整體分布：中位 72 小時，四分位距 12 到 296 小時，20.1% 在 8 小時以下。
• 問卷方法學確實測過標籤的效應：與作答選項相連的文字與數字標籤，會實質影響受試者如何在給定的作答格式裡做選擇（Blais 與 Grondin 2011）。但那些研究測的是填問卷的人，不是讀資料的人。

閱讀約 9 分鐘。

那個分布長什麼樣

先把資料攤開。資料庫裡有留香紀錄的原料共 2,027 筆：

	值
中位數	72 小時
第一四分位	12 小時
第三四分位	296 小時
最小	1 小時
最大	901 小時
不重複的數值	210 個

兩千多筆紀錄，只有 210 個不同的數字。

而那 210 個裡面，前 12 個就佔掉一半以上：

留香值	筆數	佔比
400 小時	334	16.5%
4 小時	170	8.4%
12 小時	99	4.9%
8 小時	92	4.5%
24 小時	83	4.1%
1 小時	65	3.2%
16 小時	62	3.1%
48 小時	62	3.1%
168 小時	53	2.6%
20 小時	40	2.0%
28 小時	35	1.7%
336 小時	27	1.3%
合計	1,122	55.4%

這不是一條平滑的曲線，是一排柱子。

為什麼柱子的位置很要命

因為柱子都站在整數上。

4、8、12、16、20、24、28、48、168、336、400——這些是人在記錄時會選的數字，不是自然界產生的數字。一支材料在試香紙上撐了七小時四十分，紀錄會寫 8 小時。

而畫標籤界線的人，也會選同樣的整數。

「八小時以下算差」聽起來像一條中立的線。實際上它正好切過那 92 筆記在 8.0 的紀錄。

那 92 筆材料落在「差」還是「不差」，完全取決於規則寫的是「≤8」還是「<8」。 兩種寫法都合理，而它們會給出不一樣的名單。

如果那條線落在 9 小時或 7 小時，這個問題就不存在——因為那兩個位置幾乎沒有紀錄。問題正好出在：好用的整數界線，跟資料的堆積位置是同一批數字。

累積分布：每一條線都很陡

界線	在此以下	佔比
≤ 4 小時	276	13.6%
≤ 8 小時	408	20.1%
≤ 12 小時	520	25.7%
≤ 24 小時	729	36.0%
≤ 48 小時	916	45.2%
≤ 100 小時	1,115	55.0%
≤ 200 小時	1,379	68.0%
≤ 400 小時	2,010	99.2%

從 8 小時移到 12 小時，被歸進去的材料多了 112 筆（5.6 個百分點）。 而那四小時的差距，在感官上是很小的一步。

最後一列尤其該看。 從 200 到 400 小時之間，累積比例從 68.0% 跳到 99.2%——因為 400 那根柱子。

我們寫過那件事：400 小時是很多量測的截斷點，而不是量到的值。 334 筆紀錄坐在那裡，其中很多其實是「量到停手的時候還沒消失」。

所以在高分那一端，標籤也會出問題——只是方向相反：它會把一大群「至少 400」的材料全部評成同一級，而它們之間的真實差距不知道有多大。

標籤會不會改變判斷

這一半我只能給間接的證據，而我要先把限制講清楚。

問卷方法學研究過「標籤怎麼影響作答」。Blais 與 Grondin 2011 年在《Journal of Applied Measurement》的開場就是這件事：

問卷是社會科學研究者工具箱裡最常用的資料蒐集技術之一，而許多因素會影響受訪者對題目的回答並影響資料效度。在這些因素之中，已累積的研究證明，問卷中與作答類別相連的文字與數字標籤，可能實質影響受訪者在所給定的作答格式內做出選擇的方式。

那篇自己做的事更窄：用 Andrich 的評定量表模型，看副詞「完全」用來標記極端類別時，會對受訪者的作答產生什麼影響。

Krosnick 1999 年在《Annual Review of Psychology》的調查研究回顧裡，也把這件事列為近年的進展之一：

已辨識出評定量表各點所加文字標籤的令人意外的效應，指出了量表標籤的最佳做法。

現在講限制，因為它很重要。

那些研究測的是「填問卷的人怎麼選格子」，而論壇抱怨的是「讀資料的人形成什麼期待」。 那是兩件相鄰但不相同的事。

我沒有找到直接測後者的研究。 「Fragrantica 的標籤改變了一整個世代的期待」這個說法，我沒有辦法查證，也沒有辦法反駁。 它是合理的，而它目前是一個觀察，不是一個發現。

我能做的只有：確認「標籤會影響人如何使用一個尺度」這件事在方法學上是被研究過的，然後把資料那一半查清楚。

那位留言者的替代方案

他說的是：單純顯示時數、不做價值判斷。

而那正是本站資料庫在做的事——它記的是「400 小時 @ 10% 於 DPG」這種字串，沒有形容詞。

但那個做法也有代價，而這篇前面已經展示了：

1. 原始數字有堆積效應，讀的人不知道 8 小時那個值代表「大約八小時」而不是「量到 8.0」。
2. 量測條件不一致。 有些是 100% 原液、有些是 10% 稀釋、有些帶大於號。我們寫過留香有兩種量法，直接把數字排序會排出錯誤的順序。
3. 400 那根柱子是截斷點，不是量測值。

所以「不加標籤」不等於「中立」。 一個沒有標籤的數字欄位，仍然把讀者推向「數字大比較好」——只是它把那個推力藏起來了。

真正誠實的做法，是把量測條件跟數字一起顯示。 而那件事很難做得好看。

收起來的話

• 那條線沒有天然的位置。 資料是柱狀的，而柱子站在整數上，而整數也正是人會拿來當界線的東西。
• 八小時那條線切過 92 筆紀錄。
• 高分端的問題更大：400 小時那根柱子有 334 筆，而它是截斷點。
• 標籤會影響人怎麼用尺度，這在方法學上有研究；標籤有沒有改變一整個世代的期待，我查不到。
• 不加標籤也不是中立的，它只是把價值判斷交給讀者，而讀者手上沒有量測條件。

而對正在做東西的人來說，最實際的一句還是上一輪那位講的： 把時間記下來，在自己的皮膚上，隔幾小時回去聞。你自己的紀錄不需要標籤，因為你知道它是怎麼量的。

這篇沒有建立的

我沒有查證 Fragrantica 現在或過去怎麼顯示留香。 那是留言者的敘述，我沒有去看那個網站，也沒有查它的改版歷史。 這篇處理的是「把連續量標成優劣」這個一般問題，不是任何特定網站的做法。

2,027 筆留香紀錄的量測條件不一致。 有些是 100% 原液、有些是 10% 或 20% 稀釋於 DPG 或苯甲酸苄酯，而我們寫過這個問題。這篇的分布是把所有值混在一起看的，那對「值會堆在整數上」這個觀察沒有影響，但它意味著中位數 72 小時不是一個有意義的物理量。

「210 個不重複值」包含了小數。 例如 16.6、4.5 這種值也算一個。堆積的現象比這個數字顯示的更嚴重。

400 小時那 334 筆裡，有多少帶大於號我在這篇沒有重數。 上一篇算過全庫有 206 筆帶大於號，兩個數字不能直接相減，因為統計範圍不同。

Blais 與 Grondin 那篇我只讀到摘要。 那篇自己做的是「完全」這個副詞的效應，而我引用的是它引言裡對既有研究的概述，不是它自己的實驗結果。

Krosnick 那篇是 1999 年的回顧。 二十幾年過去了，而我只讀了摘要。

那兩篇都是問卷方法學，測的是受試者作答。 論壇講的是讀者期待。我在正文裡標明了這個落差，這裡再說一次：我沒有直接的證據。

「不加標籤也不中立」是我的論點，不是引用來的。 它建立在這篇前面的資料上，而不是在任何一篇研究上。

參考文獻

J. G. Blais, J. Grondin, The influence of labels associated with anchor points of Likert-type response scales in survey questionnaires, Journal of Applied Measurement, 12(4), 370–386 (2011). PMID 22357158

J. A. Krosnick, Survey research, Annual Review of Psychology, 50, 537–567 (1999). PMID 15012463. doi:10.1146/annurev.psych.50.1.537

相關閱讀：400 小時的天花板、留香的兩種量法、八小時這個標準、評測時的三個動作。