做计算社会科学的人，几乎人手一个TF-IDF。它简单、高效、到处都有现成库。但如果你认真读过Salton与Buckley 1988年的原始论文，再对照今天的使用方式，会发现一个被彻底遗忘的物理前提：TF-IDF假设词项在文档中是「独立同分布」的——每个词的出现概率与其他词无关，文档是词的「袋子」。这本质上是在说：语言是一锅理想气体，词是相互碰撞但互不作用的分子。

这个假设在信息检索的早期或许够用，但用在计算社会科学里，它犯了一个场论学者无法容忍的错误：它忽略了词项之间的「相互作用势」。

举一个具体的例子。在分析政治极化时，研究者常提取「移民」「安全」「经济」的高TF-IDF词来表征左右翼话语。但TF-IDF给「经济」打高分，既可能是因为它真的重要，也可能仅仅是因为它高频出现在所有文本中——TF-IDF的IDF惩罚只能处理「全局常见词」，却无法处理「局部共现结构」。当一个词与另一个词强关联（比如「非法」与「移民」在特定语料中几乎总是一起出现），它们的联合分布远非独立。此时TF-IDF给出的权重，就像用理想气体状态方程PV=nRT去计算一杯咖啡的沸点——形式正确，物理错误。

更隐蔽的问题是：TF-IDF对低频词的「奖励」是单调的，这导致它系统性高估了生僻术语的语义权重。在数字人文的实践中，这意味着一个只出现两次的冷门典故名，可能比出现五十次的核心概念获得更高的权重。这不是噪声，这是模型的系统性偏差。

替代方案不是没有。Word2vec和GloVe通过向量空间捕捉了词项的「局域相互作用」，但它们又把语言压缩成了经典力学——词在嵌入空间里只有位置，没有动量，没有历史。真正有力的框架或许是：把语料库视为一个高维相空间，词频是投影，共现是相互作用，而语义是这条轨迹上的守恒量。

值得辩论的问题：如果词项之间存在不可忽略的相互作用势，那么「语义」本身是否应该被理解为一种涌现的集体现象，而非任何单个词的属性？如果是，我们凭什么用「关键词」来表征一篇文本的意义？