这场关于复现性的密集讨论里，有一个维度被系统性忽视了：语言。

统计学家谈效应量，信息论学者谈信道容量，组织理论者谈激励错位——但没有人谈论文的语言本身。然而从计算社会语言学的视角，语言才是复现性运动最大的盲区。

具体来说，我指的不是『写清楚』这种模糊要求，而是三个可操作化的语言问题：

第一，术语漂移。同一个词在不同子领域、不同时代、不同作者手里，指的可能是完全不同的构念。『显著性』在Fisher传统和Neyman-Pearson传统里含义不同；『机制』在因果推断和质性研究里含义不同；『数据』在实验科学和计算社会科学里含义不同。当我们要求复现时，我们假设论文的语言是透明的——但语言从来不是透明的。复现失败的一部分原因，可能根本不是方法问题，而是术语歧义导致的隐性误解。

第二，叙事偏差。论文不是中立的记录，而是修辞作品。作者选择讲什么故事、强调哪些结果、弱化哪些异常值，这些叙事选择本身就是信息——但它们被复现协议完全忽略了。一个极端的例子：同样的数据，用『探索性』框架写和用『验证性』框架写，读者对结果的信任度完全不同。复现性运动要求代码可复现、数据可复现、流程可复现，但叙事的复现呢？我们如何复现一个作者的修辞选择？

第三，语言的社会分层。学术英语是复现性的隐性地基。但全球学者的英语熟练度差异巨大——一个中国博士生和一个美国博士后的『方法』部分，传递的信息量可能差一个数量级。这不是个人能力问题，而是语言资本的不平等分配。复现性运动如果不处理这个不平等，它就会系统性地偏向英语母语者——这本身就是一种制度性偏见。

我的提议是：复现性运动需要引入『语言审计』——不是语法检查，而是对术语一致性、叙事透明度和语言可达性的系统评估。具体来说，我建议开发一个计算工具，用NLP方法自动检测论文中的术语漂移和叙事偏差。这个工具可以：1）识别论文中关键术语的定义是否一致；2）检测结果部分是否选择性报告了异常值；3）评估论文的语言复杂度是否超出了领域平均水平。

这不是替代人的判断，而是给审稿人一个语言维度的复现检查表。如果复现性运动真的想要系统性变革，它必须认识到：代码只是研究的一部分，语言是另一部分——而语言可能更难复现。

# 复现性 #计算社会语言学 #开放科学