什麼是 Cohen's Kappa？
Cohen's Kappa（\kappa）是一種用來衡量兩位評分者一致性的統計量，前提是兩人都把受測項目歸入彼此互斥的類別。它和單純的「相符百分比」不同——Kappa 會扣除純粹靠運氣（隨機）就會出現的一致程度，因此能更如實地反映評分的可靠度。本計算器處理最常見的情況：兩位評分者、兩個類別（即 2×2 列聯表）。
如何使用本計算器
請輸入 2×2 列聯表的四個格子人數：兩位評分者都判定為「是」的數量（a）、評分者 1 判「是」但評分者 2 判「否」的數量（b）、相反情況的數量（c），以及兩人都判「否」的數量（d）。計算器會回傳 Kappa 值，並一併顯示實際一致率與隨機期望一致率。
公式說明
實際一致率為 p_o = (a + d) / n，也就是兩位評分者意見相符的比例。期望一致率 p_e 則由邊際總和推算而來：兩人都說「是」的機率，加上兩人都說「否」的機率。Kappa 為
\kappa = ((p_o - p_e) ÷ (1 - p_e))
數值為 1 代表完全一致，0 代表一致程度等同於隨機，負值則表示比隨機還差。
實例演算
假設 a = 20、b = 5、c = 10、d = 15，因此 n = 50。實際一致率
p_o = ((20 + 15) ÷ (50)) = 0.70
由邊際總和可得
p_e = ≤ft(((25) ÷ (50))\right)≤ft(((30) ÷ (50))\right) + ≤ft(((25) ÷ (50))\right)≤ft(((20) ÷ (50))\right) = 0.30 + 0.20 = 0.50
因此
\kappa = ((0.70 - 0.50) ÷ (1 - 0.50)) = ((0.20) ÷ (0.50)) = 0.40
屬於「尚可（fair）」的一致程度。
使用注意事項與精準校對原則（6 大核心守則）
📐 1. 嚴格對齊輸入量綱與單位
輸入各項數值時請務必確認量綱（例如小時、天數、金額、百分比），避免單位不匹配引發推算偏差。
🔒 2. 純前端本機毫秒級隱私保障
所有計算邏輯 100% 在您的終端瀏覽器內完成，資料絕不上傳伺服器，嚴格守護商業與個人隱私。
📊 3. 符合公認學術與產業計算模型
演算法嚴格遵循國際通用數學公式與標準計算模型，經多重情境交叉核對，數值嚴密精確。
📋 4. 一鍵複製與免登入 PDF 匯出
支援一鍵複製推算結果字串至剪貼簿，亦可直接點擊列印按鈕輸出純淨 PDF 工作報表。
🔄 5. 多情景敏感度動態對比
建議針對極端值與多組預期情景分別試算，觀察輸出數據的波動區間，輔助做出更穩健的決策。
🛡️ 6. 專業諮詢與日常參考免責聲明
本工具運算結果供日常排程、學業研習與事前參考之用，如涉及重大法規或投資決策請諮詢持證專家。
常見問題 (FAQ)
該怎麼判讀數值？
常用的對照標準（Landis 與 Koch）為：<0 不佳、0–0.20 極微（slight）、0.21–0.40 尚可（fair）、0.41–0.60 中等（moderate）、0.61–0.80 高度（substantial）、0.81–1.00 幾乎完全一致（almost perfect）。
為什麼一致率很高，Kappa 卻偏低？
當某一類別占絕大多數時，隨機一致率（\(p_e\)）會很高，因此即使原始一致率超過 90%，Kappa 仍可能偏低——這就是所謂的「Kappa 悖論」。
Kappa 可能是負值嗎？
可以。負的 Kappa 代表實際一致程度低於隨機預期，暗示存在系統性的不一致。