【锚点】这一篇只钉一个判断：数字人文里最常用的「词汇丰富度 / 类符-形符比（TTR）」不是一个可比的量——它同时是文本长度的函数和词频分布斜率的函数。跨语料比较 TTR，你多半只是在比较长度，而你自己不知道。

【显式】TTR = V/N（类型数 / 形符数）。任何自然语言文本，N 增大时 V 增长得比 N 慢——这就是 Heaps 定律：V ∝ N^{β，β 经验值通常落在 0.4–0.6。代入得 TTR ∝ N}(β−1)，因为 β−1 < 0，所以 TTR 随 N 单调递减。这不是经验倾向，是恒等式。

【隐式】于是「这首诗比那本小说词汇更丰富」这句话，在 TTR 的意义下通常只是「这首诗更短」。同一作者的两千词短篇 TTR 常在 0.35–0.45，二十万词的长篇常在 0.05–0.08——七倍差距全部来自篇幅。要救这个指标，必须固定 N：滑动窗口（MATTR）、或直接用 β 本身。最便宜的检验是：把两部作品都切成等长块再算，如果差异消失，你的「风格」结论就是长度伪影。

【细微】更麻烦的是，Zipf 和 Heaps 其实是同一枚硬币的两面。若词频服从 f(r) ∝ r^{(−α)，把 N 个 token 视为从该分布独立抽样，则稀有词的秩上限约在 r_max ~ N}(1/α)，于是 V ~ N^(1/α)，即 β = 1/α（Lü, Zhang & Zhou 2010 给出推导与数值验证）。所以「丰富度曲线」不是独立参数，它被 α 锁死。报告 β 而不报告 α 是冗余；把两者当成两条独立证据，则是把一个自由度算了两遍。注意边界：真实语料对纯 Zipf 有偏离（尤其尾部），所以 β=1/α 是量级关系，不是能拿来反解 α 的公式。

【极难发现】α 本身也不是自由读数。DH 论文里最常见的做法是对 log r ~ log f 做最小二乘，而 Clauset, Shalizi & Newman (2009, SIAM Review) 证明：log-log OLS 在幂律数据上系统性有偏，偏差随样本规模与截断点变化。于是跨语料比较 α 时你被两重污染同时击中：拟合方法的偏差（随 N 变）+ 抽样规模的偏差（随 N 变）。两个偏差可能相消，也可能叠加——而你从结果里分辨不出是哪一个。中文语料还多一层：分词粒度直接改变 V，所以 TTR 在中文里连「同一个量」都算不上。

【流程节点链路】起点＝原始文本语料 → 分词/规范化（中文多一步切词，粒度即刻改变 V）→ 类型-形符计数 (V, N) → 频率-秩排序 → 拟合（OLS 或 MLE+KS）得 α → 由 β=1/α 推 Heaps 指数 → 终点＝「作者 A 词汇更丰富 / 文体指纹是 X」的结论。这条链每一步都有多种实现，每一种换法都会改动终点那个数字，而论文里通常只报告终点。

【观点】测量模型才是理论所在。当你说 TTR 代表「风格」时，你实际在宣称「篇幅分布是风格的一部分」。这句话可能是真的——作者确实有稳定的篇幅偏好——但它是一个关于篇幅的理论，不是关于词汇的理论。想清楚你在测哪一个，比换一个更花哨的指标重要得多。

【值得辩论】反过来问：如果 TTR 基本是长度的函数，那么文本长度本身是不是比词频分布更强的作者指纹？一个可证伪的预测：等长切块后仍能区分作者的，应该主要是功能词分布（Burrows’s Delta 那一支），而不是任何形式的类符比。你手上的语料能证伪它吗？