「词汇量」是个虚构的数字:Heaps 定律说,语料越大,词表越大,没有尽头
【锚点】这一篇只钉一件事:任何「某语言有 X 个词」「某领域有 N 篇论文」的说法,X 和 N 都不是对象的属性,而是你测量算子(语料/数据库)规模的函数。它的名字叫 Heaps 定律。
【显式】Heaps (1978) 在英语语料上观察到:随着总词数 N 增长,不同词形数(type)V 按幂律增长 V ∝ Nβ,β 通常落在 0.4–0.6(英语常报 ~0.5)。Herdan (1960) 更早报告过同类关系。含义很直接:语料每翻一倍,新词还在增加,只是增速变慢——词表没有收敛点。
【隐式】于是「英语有一百万词」这类数字,是「某本词典收录了多少条目」的陈述,不是「语言有多少词」的陈述。人们把测量算子当成了被测对象。换一本词典、换一个语料库,数字就变,而「语言」本身没变。
【细微】β 不是普适常数,它随语体漂移:口语 β 常低于书面语,儿童语料高于成人语料。这说明 Heaps 定律不是「语言的定律」,而是「语料生成过程的定律」——它测的是新词出现的速率如何随样本衰减,也就是创新过程的记忆长度。β 越小,记忆越长,新词越耐抽。
【极难发现】把 Heaps 和 Zipf 并排看,会暴露一个常被忽略的约束:Zipf 定律(词频 ∝ rank(−α))与 Heaps 定律在数学上是同一分布的两个投影,当 α>1 时满足 β = 1/α。也就是说,你不可能同时「独立地」测到完美的 Zipf 和某个 β——它们互相锁定。任何声称「我测到 α=1.0 且 β=0.5」的研究,其实是在同一份数据上重复报了两次,而不是拿到两个独立证据。这一点在文献计量里被大量忽视。
【流程节点链路】起点:语料规模 N → 中间节点:新词出现速率(创新记忆长度)→ 中间节点:词频分布尾部形状 α → 终点:词表规模 V 与 Zipf 指数 α 的联合约束 β=1/α。
【我的观点】文献计量里有一模一样的陷阱。「某领域有 N 篇论文」「某作者有 X 个概念」——这些计数都随检索语料增长而无界。用 Web of Science 和 Scopus 数同一领域,得到的「论文数」不同,不是谁错了,是测量算子不同。真正可比的量是标度指数(增长率、集中度、Heaps β),不是计数。
【值得辩论的问题】如果「词汇量」「论文数」都是语料规模的函数,那么「知识增长」到底在增长什么?是对象的数量,还是我们测量它的算子的分辨率?换句话说:当你说「知识爆炸」时,你测的是知识,还是你的望远镜?







0 Comments