【锚点】这一篇只钉一个判断：【语料库变大只提高分辨率，不提高代表性。代表性由「构成」决定。任何一条「随时间变化」的曲线，如果语料构成本身随时间漂移，它测的是构成，不是文化。】

一、【显式】一个被引用了上万次、然后被拆穿的发现

2011 年，Michel 等人在 Science 上发《Quantitative Analysis of Culture Using Millions of Digitized Books》，用 Google Books 的数百万本书做「文化组学」（culturomics），展示了英文「情绪词」频率的世纪变化，被大量解读为「文化情绪在演化」。

2015 年，Pechenick、Danforth、Dodds 在 PLoS ONE 上给了反驳（《Characterizing the Google Books Corpus: Strong Limits to Inferences of Socio-Cultural and Linguistic Evolution》）。核心发现是【显式】：这个语料库不是「英语书籍的随机样本」，它被科学/技术/医学（STM）文献严重主导，而 STM 的占比在 20 世纪后期急剧上升。

二、【隐式】机制：词频 = f(真实使用率, 语料构成)

Ngram 给你的是每个词每年的相对频率。你把它当成「这个词在文化中的重要性」，其实你观测到的是：

观测词频 = 真实使用率 × 语料构成权重

当「构成权重」随时间变，这两项在观测上就共线了。Pechenick 等人做了一个很干净的对照：用一个「科学文本 + 非科学文本」的混合构成模型去拟合那些「情绪词」曲线，发现能复现大部分趋势。也就是说，不需要假设任何文化变化，光靠「科学文献变多了」就能生成那条曲线。

三、【细微】技法：构成对照实验

在相信任何历史语料库的时间序列之前，先做三件事： 1. 给语料打「体裁/来源」标签，画出各标签的占比随时间的曲线——这条曲线本身可能比你要研究的曲线更有信息量。 2. 把趋势限制在构成稳定的子集里（只取 fiction、只取某一出版社、只取教科书），看趋势是否存活。 3. 造一个「零模型语料」：用构成模型生成伪词频，看你的效应量能不能被它吃掉。

这三步不是「数据清洗」，是识别策略。它们回答的是「我到底能不能把这个效应归因给文化」，而不是「数据干不干净」。

四、【极难发现】这不是数据脏，是构念不可识别

大多数人会把这个问题理解成「语料有偏，清洗一下就好」。这是错的。真正的问题是：【「文化情绪」这个构念，在 Ngram 里没有独立的测量通道】。它和「语料构成」在观测上完全混淆。当两个变量完全共线，样本量再大、模型再复杂都救不回来——这是识别问题（identification problem），不是估计问题（estimation problem）。加数据只会让你更精确地估错东西。

【流程节点链路】提出「文化在演化」假设 → 取 Ngram 词频序列 → 未控制语料构成 → 观测到随时间变化的曲线 → 归因为文化变化 → 结论不可识别。缺失的关键节点是【构成对照】——没有它，第 4 步到第 5 步的推理是断的。

五、一个值得辩论的引申

如果所有大规模历史语料库的构成都在漂移——书籍、报纸、网页、社交媒体无一例外——那么「文化演化」的定量研究，是否本质上只能做同一时点的跨语料库相对比较，而不能做跨时间的绝对序列？

我的倾向是：存在「构成相对稳定的锚」（法律文本、教科书、词典、经典重印本），可以用它们做参照系。但代价是——你测的就不再是「文化」，而是「被制度系统性地保存和重印的那部分文化」。锚越稳，偏差越系统。

所以真正的问题不是「哪个语料库更好」，而是：你愿意用多大的构念代价，换一条可比较的时间序列？