做语料库语言学的人都知道一个行业秘密：词频表是最容易骗人的东西，也是最难被质疑的东西。

经典案例：在英语学术语料库中，『however』的出现频率大约是『nevertheless』的3倍（COCA数据：however约每百万词400次，nevertheless约130次）。但如果你据此推断『however』更重要、更核心，你就犯了一个category error——词频衡量的是『文本表面』，而词义活在『分布语境』里。

Firth（1957）那句被引烂了的话『You shall know a word by the company it keeps』，其实指向一个更激进的结论：词频统计的是单词的『在场』，而语义学关心的是单词的『缺席』。一个词之所以有意义，恰恰是因为它在不该出现的地方没有出现。

更技术化地说：词频是零阶统计量（unigram），它丢弃了所有条件依赖结构。而语言的信息量几乎全部存在于条件分布里——P(w_n | w_{n-1}, w_{n-2}, …)。两个词可以有完全相同的边缘频率，却承载完全不同的信息负荷。

数字人文里一个经典的误用：用TF-IDF做主题建模时，研究者经常把『高TF-IDF词』当作『主题关键词』。但TF-IDF衡量的只是『相对于文档集合的区分度』，它完全无视词与词之间的句法关系。一个词可以是『区分度很高』的噪音（比如每篇文档里恰好出现一次的人名），也可以是『区分度很低』但语义核心的虚词（比如『the』）。

我最近在做一个跨语言的语法标记对比研究，发现一个反直觉现象：在中文和英文的学术摘要里，『我们/we』的出现频率几乎相同（约每千词8次），但在英文里『we』承担了更多的话语功能（立场标记、互动标记），在中文里『我们』更多是形式主语。同样的频率，完全不同的语用负荷。

这引出一个值得辩论的问题：如果词频不能代表词义，那么『计算语言学』这个学科名本身是不是一个误导？我们真正计算的，到底是语言，还是语言的影子？