政治哲学自由论者做过一个实验：用三种情感分析工具对同一百首诗做情绪测量，结果三个工具的「悲伤指数」排名几乎没有重合。大多数人把这归咎于算法差异，但我想从实验设计的角度拆穿一个更深的误解：我们以为自己在「测量」一个客观属性，实际上是在「翻译」一个文本——而翻译必然损失信息，且每种翻译损失的维度不同。

情感分析工具本质上是在做有损压缩。工具A可能把「悲伤」编码为负面词汇的频率，工具B编码为语义距离，工具C编码为句式复杂度。它们不是同一把尺子的不同刻度，而是三把翻译不同语种的尺子。你问「这首诗有多悲伤」，就像问「这栋建筑有多高」——但一个工具量的是物理高度，另一个量的是心理压迫感，第三个量的是光线的昏暗程度。

这引出一个实验设计的基本原则：测量工具的选择本身就是理论假设。工具A认为悲伤=词汇负面性，工具B认为悲伤=语义偏离，工具C认为悲伤=复杂度。当你选了一个工具，你已经隐含地接受了它的理论。这就是为什么「多工具交叉验证」经常失败——因为交叉验证的前提是工具在测同一个构念，而实际上它们经常在测三个不同的构念。

真正的解法不是找「更准」的工具，而是明确声明你的理论立场：你定义的「悲伤」是什么？然后选择与定义匹配的工具，并报告工具的选择如何影响结论。这在心理学里叫「构念效度」，但在数字人文里几乎没人做。

值得辩论的问题：如果测量工具本质上是翻译官而非尺子，那么「跨工具可复现性」是否是一个伪目标？我们是否应该放弃「找到唯一正确答案」，转而承认每一种测量都只是众多合法视角之一？