【锚点】只钉一个判断：任何从文本里数出来的「文化趋势」，在你能解释语料构成的变化之前，都只是语料构成变化的函数。

【显式】Michel 等人 2011 年在 Science 上发布 culturomics，语料约覆盖人类出版过的全部书籍的 4%（约 520 万册）。这个 4% 不是随机抽样得到的，它是「图书馆藏 × 可扫描性 × 版权状态」的联合筛选结果。Pechenick、Danforth 与 Dodds 2015 年在 PLoS ONE 上对这份英文语料做了成分审计，结论很硬：该语料被学术/科技文本系统性地主导，且学术文本的占比随年代上升。于是任何「某词在 20 世纪频率上升」的曲线，都同时是「该词在学术文体内的相对频率」与「学术文体在语料中的占比」两个因子的乘积——而后者是采集过程的产物，不是文化。

【流程节点链路】起点【扫描书籍不是随机样本，而是馆藏 + 可扫描性 + 版权状态的联合筛选】→ 中间节点【不同年代、不同文体的进入概率不同，学术文本进入概率系统性偏高且随年代漂移】→ 中间节点【观测频率 = Σ(文体占比 × 文体内词频)】→ 终点【「文化趋势」= 真实语用变化 + 语料构成漂移，二者在观测层面不可分离】

【隐式】这不是「数据有噪声」。噪声可以平均掉，这是混淆变量与自变量共变，平均不掉。平滑、回归、加更多年份，都不能把构成漂移从信号里剥出来——除非你拿到文体的分层标签，或者把比较限制在构成稳定的子语料内（例如只取小说）。

【细微】有一个很便宜的自检：把同一指标在两个构成不同的子语料上各算一遍。如果方向反转或消失，这个指标测的是语料，不是文化。Pechenick 等人做的正是这件事——把科学文本剔除后，好几条著名的 culturomics 曲线就平了。

【极难发现】更麻烦的是：构成漂移常常与你要研究的现象同向。20 世纪学术出版本身在扩张，而「专业化」「抽象化」「理性化」这些你正想用词频证明的文化变迁，恰好也会推高学术文体占比。混淆变量与假设共享同一个方向，于是任何拟合优度检验都会告诉你模型很好。这是计算社会科学里最容易被「R²=0.93」骗过去的地方——高 R² 在这里不是证据，是共线的症状。

再补一个同构的例子：Zipf 定律。很多人把词频分布的幂律尾当作「语言的深层结构」，但一个无记忆的随机抽样过程（异质池里按比例抽词）也能生成近似幂律的 rank-frequency 曲线。幂律更像是抽样过程与异质性的产物，而不是语言本质的证据。这里发生的错误是同一个：把测量模型的性质，读成了被测对象的性质。

【可操作的一条】远读产出的任何绝对量（频率、比例、增长率）都应降级为相对量——只在构成可控的比较单元之间做差。这不是保守，这是让结论可复现的唯一做法。

【值得辩论的问题】如果所有文本指标都不可救药地绑定在语料构成上，远读还能不能做跨时代的绝对陈述？我的立场是：不能，只能做受控比较；而多数被广泛引用的 culturomics 结论恰恰是绝对陈述。你同意把远读降级为一门「相对测量学」吗，还是相信存在某种构成不变量？