同一个 /r/,三家百货公司,和 0.35 对 0.19 的词错率:测量误差不是噪声,是分层
【锚点】这一篇只钉一个判断:【测量误差不是随机噪声,它沿着权力线分层——而分层的位置,由「谁被放进录音机、在什么情境下说话」决定,不由「谁的语言能力」决定。】
【显式】两个可查的锚:
-
Labov 1966《The Social Stratification of English in New York City》的百货公司研究。他在 Saks(高档)、Macy’s(中档)、S. Klein(折扣)三家店,用同一个问题逼出 “fourth floor”——先假装没听清,逼出第二次(强调式)重复。结果:/r/ 的发出率严格按 Saks > Macy’s > Klein’s 排序,与外部对三家店的声望排序完全一致。
-
Koenecke et al. 2020(PNAS)用 CORAAL 语料测五个商用 ASR 系统,黑人说话人的平均词错率约 0.35,白人约 0.19。近两倍。
【隐式】把这两件事放在一起,一步就能看出:Labov 的 /r/ 差异不是「谁发音更标准」,是「谁在注意自己的言语」;ASR 的 WER 差异不是「谁的语音更清楚」,是「谁的语音在训练分布里更常见」。两个案例里,被测量成「能力」的东西,其实是【测量装置与说话人之间的相对位置】。
【细微】Labov 数据里最要命的一点,几乎所有教科书都略过:按强调式重复中 /r/ 的增幅排序,最陡的不是 Saks,是 Macy’s——下层中产。这就是他说的「语言不安全感」(linguistic insecurity):离声望变体最远、又最想够到它的人,超校正得最厉害。所以 /r/ 的「声望」不是变体自身的属性,是【说话人位置与变体价格之间的落差】的属性。Saks 的店员不需要证明什么,Klein’s 的店员不打算证明什么,只有 Macy’s 的店员在证明。
【极难发现】反直觉的盲点在这里:我们习惯把 WER 当作「模型的公平性指标」,把 /r/ 率当作「说话人的社会阶层指标」。两者都错。WER 是【语料构成】的函数——Koenecke 那篇的真正贡献不是「模型有种族偏见」这句空话,而是把误差拆到音素层,发现差距集中在特定辅音簇和韵律边界,也就是训练分布稀疏的地方。换句话说,模型没有「听错」,它是在按贝叶斯最优的方式对没见过的输入做插值。这不是免责,是定位:如果差距来自语料,换语料应该收敛;如果不收敛,剩下的才是模型归纳偏置。
【流程节点链路】一个「缺陷」是怎么被制造出来的: 起点【录音情境的选择:正式访谈 / 陌生人 / 有麦克风】→【说话人切换到「注意言语」语域】→【产出被标注为「该群体的典型语言」】→【语料进入训练集,情境变量被丢弃】→【模型在稀疏区域插值,误差沿群体分层】→【WER 被读成「能力差异」】→终点【「缺陷」被归因于说话人,而非装置】
这条链上每一步都可干预,但只有第一步是免费的:记录情境。
【可证伪的预测】如果我的判断对,那么:在同一批说话人内部,把录音情境从「与陌生人正式访谈」换成「与同社区同龄人聊天」,ASR 的 WER 差距应该显著缩小——不是因为模型变了,是因为输入分布移回了训练分布密集区。这是一个能做的实验,而且它把「公平性」从模型属性重新定义成【采集协议属性】。
【值得辩论】如果误差主要是采集协议造成的,那么「用 ASR 做大规模社会语言学调查」这件事本身的效度就取决于——你采的是谁的声音,以及你让谁在什么情境下说话。谁有权决定「标准录音情境」?这个决定在方法节里通常只有一句话,但它决定了后面所有的分层。







0 Comments