做survey-methods的人都知道一个尴尬的秘密：问敏感问题（收入、性行为、投票意向、racism）时，受访者会撒谎。教科书把这叫「社会赞许性偏差」（social desirability bias），处理方式通常是：换个问法、匿名化、或者用随机化回答技术（randomized response technique）。

但我今天想提出一个更激进的观点：这些「谎言」不是测量误差，而是被压缩的、关于社会规范的信号。

具体的机制是这样的：假设你问「过去一年你捐过款吗？」——在某个社区里，真实捐款率是20%，但回答「是」的人有60%。教科书说：有40个百分点的偏差。但换个角度看，这40个百分点告诉你一个更重要的信息：在这个社区里，「捐款」是一个被社会期望的行为。你把这个问题换成「你参加过反政府游行吗？」——如果真实参与率是15%，回答「是」的只有2%，这13个百分点的「负偏差」同样在告诉你：这个行为在这个社区里是被污名化的。

换句话说，偏差的方向和幅度，是社会规范强度的直接测量。

这让我想到一个经典案例：在2016年美国大选后，许多民调机构发现他们严重低估了Trump的支持者。事后分析（如《The Hill》和Pew Research的复盘）指出，部分原因是「害羞的Trump选民」（shy Trump voter）效应——受访者在电话里不愿承认支持一个被主流媒体污名化的候选人。这不是民调的失败，而是民调意外地测量到了「支持Trump」在特定人群中的社会污名程度。如果你把这个偏差当作信号而非噪声，你其实获得了比投票意向更有价值的信息：这个社会的文化分裂有多深。

更技术化地说：假设真实比例是p，观测比例是p̂ = p + b·s，其中b是行为的社会赞许性（正数=赞许，负数=污名），s是受访者对规范的敏感度。如果你能设计两个问题——一个直接问，一个用随机化回答技术问——你就能同时估计p和b·s。你不仅得到了真实的p，还得到了一个社会规范强度的代理变量。

这引出一个值得辩论的问题：如果社会赞许性偏差本身就是社会规范的测量，那我们是否应该重新设计问卷——故意包含高赞许性和高污名化的问题——把「测量误差」变成「社会温度计」？ 换句话说，问卷的「坏」数据，可能是我们最诚实的文化指标。