Update app.py

app.py

@@ -3,17 +3,15 @@ import numpy as np
 import matplotlib.pyplot as plt
 
 
-# ========== Mock 词频函数（保证 HuggingFace 100% 可运行） ==========
-# 你之后可以换成真实语料版本
+# ========== Mock 词频函数（避免 HuggingFace 下载大语料） ==========
 def get_freq(expr):
     expr = expr.lower().replace(" ", "_")
-    return (abs(hash(expr)) % 5000) + 50     # 50–5000 之间的“伪词频”
+    return (abs(hash(expr)) % 5000) + 50
 
 
 # ========== E 曲线：固着（Entrenchment） ==========
 def entrenchment_real(freq_val):
     x = np.linspace(0, 10, 200)
-    # 高频 → 更陡
     strength = min(2.0, 0.5 + np.log(freq_val + 1) / 4)
     shift = 5
     y = 1 / (1 + np.exp(-strength * (x - shift)))
@@ -23,7 +21,6 @@ def entrenchment_real(freq_val):
 # ========== C 曲线：常规化（Conventionalization） ==========
 def conventionalization_real(freq_val):
     x = np.linspace(0, 10, 200)
-    # 高频 → 扩散更快
     spread = min(2.0, 0.4 + np.log(freq_val + 1) / 5)
     shift = 4
     y = 1 / (1 + np.exp(-spread * (x - shift)))
@@ -34,20 +31,175 @@ def conventionalization_real(freq_val):
 def analyze_ec(expr):
     f = get_freq(expr)
 
-    entrenchment_text = f"""
-### Entrenchment（固着）
-表达 **「{expr}」** 在模拟语料中的出现频率：**{f} 次**  
-词频越高 → 个体越容易固着 → 曲线越陡。
-"""
-
-    conventionalization_text = f"""
-### Conventionalization（常规化）
-出现频率越高 → 在社群中越容易被接受 → 扩散速度越快。
-"""
-
-    summary = f"""
-### 综合解释
-真实使用频率影响固着（E）与常规化（C）：
-- 高频表达 → 更易自动化 / 固着  
-- 高频表达 → 社群采用速度更快  
-这
+    entrenchment_text = (
+        "### Entrenchment（固着）\n"
+        f"表达 **'{expr}'** 的模拟语料频次为：**{f} 次**。\n\n"
+        "词频越高，固着曲线越陡峭，越容易在个体大脑中形成自动化加工。\n"
+    )
+
+    conventionalization_text = (
+        "### Conventionalization（常规化）\n"
+        "高频表达更容易在社群中传播与扩散，因此常规化曲线会更早上升、扩散更快。\n"
+    )
+
+    summary = (
+        "### 综合解释\n"
+        f"表达 **'{expr}'** 的频率为 **{f}**。高频使用会带来：\n\n"
+        "- 更快的固着（E）→ 心理加工速度更快；\n"
+        "- 更快的常规化（C）→ 社群接受与扩散更快；\n\n"
+        "这反映了 Schmid E&C 模型的核心：语言使用频率驱动固着与常规化共同形成语言系统的稳定性。"
+    )
+
+    # --- E 曲线 ---
+    x1, y1 = entrenchment_real(f)
+    fig_e = plt.figure(figsize=(4.5, 3.2))
+    plt.plot(x1, y1, linewidth=2)
+    plt.title("Entrenchment Curve")
+    plt.xlabel("Usage Frequency")
+    plt.ylabel("Cognitive Strength")
+    plt.tight_layout()
+
+    # --- C 曲线 ---
+    x2, y2 = conventionalization_real(f)
+    fig_c = plt.figure(figsize=(4.5, 3.2))
+    plt.plot(x2, y2, linewidth=2, color="#ff8c42")
+    plt.title("Conventionalization Curve")
+    plt.xlabel("Time / Spread")
+    plt.ylabel("Community Adoption")
+    plt.tight_layout()
+
+    return entrenchment_text + "\n" + conventionalization_text, fig_e, fig_c, summary
+
+
+# ===================== 双表达对比 =====================
+def compare_two(expr1, expr2):
+    f1 = get_freq(expr1)
+    f2 = get_freq(expr2)
+
+    # --- E 对比 ---
+    xA, yA = entrenchment_real(f1)
+    xB, yB = entrenchment_real(f2)
+
+    fig_e = plt.figure(figsize=(5, 3.5))
+    plt.plot(xA, yA, linewidth=2, label=f"{expr1} (freq={f1})")
+    plt.plot(xB, yB, linewidth=2, label=f"{expr2} (freq={f2})")
+    plt.title("Entrenchment Comparison")
+    plt.legend()
+    plt.tight_layout()
+
+    # --- C 对比 ---
+    xC1, yC1 = conventionalization_real(f1)
+    xC2, yC2 = conventionalization_real(f2)
+
+    fig_c = plt.figure(figsize=(5, 3.5))
+    plt.plot(xC1, yC1, linewidth=2, label=f"{expr1} (freq={f1})")
+    plt.plot(xC2, yC2, linewidth=2, label=f"{expr2} (freq={f2})")
+    plt.title("Conventionalization Comparison")
+    plt.legend()
+    plt.tight_layout()
+
+    # --- E 差异热力图 ---
+    diff = np.abs(yA - yB)[:50].reshape(10, 5)
+    fig_h = plt.figure(figsize=(4, 3))
+    plt.imshow(diff, cmap="Reds", aspect="auto")
+    plt.colorbar(label="Difference")
+    plt.title("E Difference Heatmap")
+    plt.tight_layout()
+
+    explanation = (
+        "### 双表达对比解释\n\n"
+        f"两个表达的模拟词频：\n"
+        f"- {expr1}: **{f1} 次**\n"
+        f"- {expr2}: **{f2} 次**\n\n"
+        "#### 1. 固着（E）差异\n"
+        "- 高频表达曲线更陡峭 → 更快固着。\n"
+        f"- 若 {expr1} 曲线整体高于 {expr2}，说明它在认知加工上更自动化。\n\n"
+        "#### 2. 常规化（C）差异\n"
+        "- 高频表达扩散更快，曲线更左移。\n"
+        f"- 若 {expr1} 的扩散曲线高于 {expr2}，说明它更容易成为社群惯例。\n\n"
+        "#### 3. 热��图解释\n"
+        "- 深红表示两表达的固着差异显著。\n"
+        "- 浅色表示两表达的固着趋势接近。\n\n"
+        "#### 4. 综合结论\n"
+        "词频显著影响固着与常规化，体现了 E&C 模型中‘个体认知 × 社群传播’的动态互动机制。"
+    )
+
+    return "", fig_e, fig_c, fig_h, explanation
+
+
+# ===================== UI =====================
+with gr.Blocks(
+    css="""
+    .card {
+        background:white;
+        padding:15px;
+        border-radius:10px;
+        box-shadow:0 3px 10px rgba(0,0,0,0.08);
+        margin-bottom:12px;
+    }
+    body {
+        background: linear-gradient(135deg,#eef2ff,#e0f2fe);
+    }
+    """
+) as demo:
+
+    gr.Markdown("# 🧠 E&C 模型互动平台（最终稳定版）")
+
+    # ========== 单表达 Tab ==========
+
+    with gr.Tab("单表达分析"):
+        expr = gr.Textbox(label="输入表达")
+        btn1 = gr.Button("分析")
+        out_text = gr.Markdown()
+        out_e = gr.Plot()
+        out_c = gr.Plot()
+        out_sum = gr.Markdown()
+
+        btn1.click(
+            analyze_ec,
+            inputs=[expr],
+            outputs=[out_text, out_e, out_c, out_sum]
+        )
+
+    # ========== 双表达 Tab ==========
+
+    with gr.Tab("双表达对比分析"):
+
+        with gr.Row():
+            with gr.Column(scale=1):
+                gr.HTML("<div class='card'>")
+                expr1 = gr.Textbox(label="表达 A")
+                expr2 = gr.Textbox(label="表达 B")
+                btn2 = gr.Button("开始对比")
+                gr.HTML("</div>")
+
+            with gr.Column(scale=2):
+
+                with gr.Row():
+                    with gr.Column():
+                        gr.HTML("<div class='card'>")
+                        cmp_e = gr.Plot()
+                        gr.HTML("</div>")
+
+                    with gr.Column():
+                        gr.HTML("<div class='card'>")
+                        cmp_c = gr.Plot()
+                        gr.HTML("</div>")
+
+                gr.HTML("<div class='card'>")
+                heatmap = gr.Plot()
+                gr.HTML("</div>")
+
+                gr.HTML("<div class='card'>")
+                cmp_text = gr.Markdown()
+                gr.HTML("</div>")
+
+        _dummy = gr.Textbox(visible=False)
+
+        btn2.click(
+            compare_two,
+            inputs=[expr1, expr2],
+            outputs=[_dummy, cmp_e, cmp_c, heatmap, cmp_text]
+        )
+
+demo.launch()