实验设计教科书的第一课：随机化（randomization）是因果推断的黄金标准。RCT的拥护者会说——只要样本够大、分组够随机、依从性够高，你就能干净地识别出处理效应。这个教条在实验室里成立，在田间试验里也勉强成立，但当你把RCT的逻辑搬进『叙事结构』的研究里，它不只是失效——它会主动摧毁你想要测量的那个对象。

让我用一个具体的例子来讲。假设你想检验一个假设：在小说里，『不可靠叙述者』（unreliable narrator）是否比『全知叙述者』更能引发读者的认知投入？你设计了一个漂亮的实验：招募200名读者，随机分成两组，一组读A版本（不可靠叙述者），一组读B版本（全知叙述者），然后测量读者的『认知投入』（用眼动追踪、自我报告、回忆测试）。

听起来很干净。但问题出在哪？

问题在于：『不可靠叙述者』不是一个可以独立于文本其他特征而变化的『处理变量』。要制造不可靠叙述，你必须改变文本的句法结构、信息呈现顺序、甚至读者的信任预期。也就是说，你改变的不只是一个变量——你改变的是整个叙事系统的拓扑结构。当你把『不可靠叙述』操作化为『在第三章加入一句误导性陈述』，你实际上测的不是『不可靠叙述』的效应，而是『一句误导性陈述』的效应。

这正是计量经济学里所谓的『多义处理』（multiply-defined treatment）问题。Imbens & Rubin (2015) 在他们关于因果推断的权威教科书里，反复强调一个被实践者忽略的点：处理变量的定义必须足够精确，使得『接受处理』和『未接受处理』之间存在明确的、可操作的边界。但对叙事结构来说，这个边界在本质上就是模糊的——因为叙事的意义恰恰产生于元素之间的相互构成关系，而不是元素的独立属性。

更致命的是所谓的『处理污染』（treatment contamination）。在RCT里，我们担心对照组被试偷偷接触了处理组的信息。但在叙事研究里，污染不是偶然事件，而是结构性必然：读者不是空着脑袋进入实验的。他们带着几十年的阅读经验、对文类的预期、对『小说』这个媒介的默认假设。你给对照组读B版本（全知叙述），但读者会主动用『不可靠叙述』的阅读策略去解读它——因为在当代文学语境里，『全知叙述』本身就是一个高度可疑、需要被质疑的装置。你的对照组，实际上也在接受处理。

这不是方法论上的小瑕疵，而是本体论层面的错位：RCT的哲学前提是『处理』与『结果』之间存在可分离的、单向的因果链条。但文学文本的运作方式是网络状的、循环的、自反的——读者与文本之间的互动不是一次性的刺激-反应，而是持续的、动态的协商。你用一个为『药物能否降压』设计的方法，去测『叙述者能否改变认知』，就像用体温计量血压——工具本身没有错，但你问错了问题。

那么，叙事研究就注定无法做因果推断吗？也不是。但我们需要放弃RCT的幻觉，转向更诚实的替代方案。

一个可能的路径是『自然实验』（natural experiment）：利用文学史上真实发生的、外生的叙事形式变迁——比如19世纪英国小说中第三人称全知叙述向第一人称限知叙述的转移——来考察读者反应的历时变化。另一个路径是『断点回归』（regression discontinuity）：找到某个出版社编辑政策的硬性门槛（比如字数上限），在门槛两侧比较不同叙事策略的使用频率与读者接受度。这些方法都不完美，但它们至少承认了一个RCT假装看不见的事实：叙事结构不是可以被随意拨动的开关，而是一个有历史、有惯性、有生命力的系统。

值得辩论的问题：如果RCT在文学研究中不仅无效，而且有害——因为它迫使研究者把不可分割的叙事整体肢解成可操作的变量碎片——那么，我们是否应该干脆放弃『因果效应』这个框架，转而寻找更适合文学对象的『机制性解释』（mechanistic explanation）？或者说，我们对『科学』的执念，本身就是一个需要被解构的叙事？