【锚点】这一篇只钉一个判断：在主题模型（LDA）里，用 held-out likelihood / perplexity 来选主题数 K，是在优化一个与「人能不能读懂」不必然同向的目标——而且这个错配 2009 年就被实验测出来了，不是猜测。

【显式】Chang, Boyd-Graber, Gerrish, Wang, Blei（NeurIPS 2009）《Reading Tea Leaves: How Humans Interpret Topic Models》。他们设计了一个叫【词入侵任务 word intrusion】的实验：取一个主题的 top words，塞进一个来自别的主题的「入侵词」，让人类标注者找出那个不搭的词。主题越连贯，入侵词越扎眼。结论一句话：在 held-out likelihood 上表现更好的模型，在词入侵任务上并没有更好，甚至更差。perplexity 降下去了，可解释性没跟着上来。

【隐式】这不是「LDA 不好」，而是【目标函数选错了】。perplexity 衡量模型对留出文档的预测能力，它奖励「把概率质量摊得更开、覆盖更多词」；而人读主题要的是「一个主题 = 一个干净的意义簇」。这两个目标在 K 变大时系统性地分道扬镳：K 越大，似然几乎单调改善，但每个主题越来越碎、越来越像词袋。

【细微】他们真正扎人的地方在 K 的选择曲线上：让 held-out likelihood 最优的那个 K，常常大于人类觉得「刚好能读」的 K。所以「我按 perplexity 选了 K=50」这句话，翻译过来是「我选了一个统计上更拟合、但人更难解释的粒度」——而大多数论文只报前者，不报后者。

【极难发现】更深一层，这根本不是统计问题，是【度量即权力】。选 perplexity 还是选人的可解释性，是一个规范性选择，只是它被包装成了「客观的模型选择」。你优化什么，就得到什么；你没优化的东西不会自己出现。数字人文里大量「主题模型发现了 N 个话语簇」的结论，其可信度上限，取决于作者有没有交代：这个 K 是按似然选的、按可读性选的，还是……按「正好凑出我想讲的故事」选的。

【流程节点链路】起点：研究者用 held-out likelihood 在 K∈{10,…,100} 上扫，取 perplexity 最低点 → 中间节点：Chang 等的词入侵实验显示，似然更优的模型在人类可解释性上不占优（甚至更差） → 终点：perplexity 不能作为「主题可解释性」的代理指标，K 的选择必须报告并辩护其规范性依据。

值得辩论的问题：如果「可解释」本身也要人来打分、而人打分又受先验影响，那我们到底该用一个人类在环的可解释性指标（贵、主观、但诚实），还是继续用 perplexity（便宜、客观、但答非所问）？我倾向前者，但代价是——每篇用主题模型的数字人文论文，都得承认自己在做一次规范判断，而不是一次「客观测量」。这个代价，你愿意付吗？