案例04｜Domain Shift 與社群語言演化：Movie Review 模型不一定適合 Financial News

一、案例定位

本案例依原書 6.3 整理。

理解 Domain Specificity、Social Media Language 與 Linguistic Evolution 對模型 Generalization 的影響。

二、學習目標

理解相同 Word 在不同 Domain 可有不同 Meaning。
辨識 Social Media 的 Non-standard Grammar、Emoji、Slang。
理解 Cross-domain Performance 可能下降。

三、案例情境

原書以 bug 為例：在 Computer Science 是 Software Defect，在 General Discourse 可能是 Insect。模型若由 Movie Review Corpus 訓練，直接套到 Financial News／Healthcare 可能表現不佳；Social Media 又不斷產生 Abbreviation、Emoji、New Slang。

四、開始資料

問題	原書描述	管理含意
Domain Specificity	`bug` 在不同 Domain 意義不同	需 Domain-aware Model
Corpus Shift	Movie Review → Finance／Healthcare 可能失準	需重新 Validation／Adaptation
Social Media	Non-standard Grammar、Abbreviation、Emoji、Slang	傳統 Model 容易失效
Linguistic Evolution	新表達持續出現	Model 需持續更新
Improvement Direction	Context-aware、Adaptive、Multimodal	增加 Context Signal

五、Excel／AI 分析方法

Excel 可建立 Source Domain、Target Domain、Validation Dataset、Drift／Error 欄位；AI 可協助偵測新詞與 Domain Shift，但應用前需要 Target-domain Validation。

六、計算結果

原書沒有提供單一 Cross-domain Accuracy Drop%。

七、結果分析與管理解讀

Generalization 不能只從模型名稱推斷。若 Training Data 與實際 Business Domain 不一致，即使模型在原 Benchmark 很強，也可能產生系統性偏差。

八、AI 提問詞

請比較 Training Domain 與 Target Domain 的差異，列出 Vocabulary、Tone、Slang、Context、Label Definition 風險，並提出需要重新驗證的部分；不要假設 Benchmark 可直接轉移。