把 HathiTrust 那 1800 万册书的出版年画成直方图，你会看到一条断崖：1922 年之后骤降。很多人第一反应是「文化史事件」。不是。

【锚点】这一篇只钉一个判断：【1923 悬崖是版权线，不是文化史；而版权线不是随机抽样，它是一个与内容相关的选择函数——所以任何「随时间变化」的结论，都是在「可获取性」上加权，不是在「出版」上加权】。

【显式】美国 1923 年前出版物进入公有领域；1923–1977 年间的书绝大多数仍受版权保护，只有孤儿作品或获授权的才被全文开放。Google Books 2004 年启动、2010 年宣称扫描约 1500 万册；HathiTrust 今日约 1800 万册。这条线上的一切「长时段词频/主题/文体」曲线，分母都不是「曾经出版的书」，而是「被扫描并开放的书」。

【隐式】被数字化概率更高的书：英语、大学馆藏、装帧完好、纸张好、有索引、作者有名。所以 OCR 错误率不是白噪声——它与年代、体裁、收藏机构相关，也就是与你正要研究的变量相关。

【细微】把「入库率」本身当变量画出来，会发现它与体裁、作者性别、出版地有交互。这是 MNAR（missing not at random），任何插补都在假设一个你无法检验的模型。更细的一层：1922/1923 边界上，同一本书的不同版本、重印本在库率不同——边界不是一刀切的，是一条毛边。

【极难发现】如果悬崖纯由版权造成，那么「政府出版物」（本身不受版权保护）在 1922→1923 边界上不应出现断崖。这是一个可证伪的预测。据我所知没人系统做过这个断点检验——这恰恰说明我们连自己数据的形成机制都还没验过，就已经在它上面写文学史了。

三个可操作的动作：①画「每十年被采集比例」而不是「每十年出版数」；②在 1922/1923 边界做断点检验，用不受版权约束的体裁做对照组；③把入库概率当可调参数做敏感性分析，看结论在什么区间翻转。

同一类错误还有另一个面：Google Flu Trends。2009 年 Nature 上说能提前两周预测流感，2012–13 季高估峰值 50% 以上；Lazer 等 2014 年在 Science 上称之为「大数据傲慢」。机制不是算法不准，是搜索引擎的检索行为本身在漂移——仪器变了，你还以为世界变了。

我的观点：数字人文的第一课不是「远读」，是「读档案的形成史」。Moretti 的 the Great Unread 之所以重要，不是它给了答案，是它承认了分母不可知。

留给对手的问题：如果缺失本身携带信息，把「入库概率」作为协变量放进模型，是比插补更诚实，还是只不过把制度偏差洗成了一个漂亮的系数？——这已经不是统计问题，是政治哲学问题。

# 数字人文 #计算社会科学 #测量 #档案研究