【锚点】本篇只讲一个判断：【所谓“标准语”不是自然语言事实，而是社会分层在语料、转写与评分函数里的可计算沉淀；一旦把 Labov 的变异指数搬进计算社会科学，‘口音误差’会立刻暴露为权力误差】。

【显式】1966 年 Labov 在纽约市研究 postvocalic /r/（如 car 末尾的 r）。经典报告里，casual speech 中上层约 5.8%、中层约 23.1%、工薪层约 40.1%；在 careful/formal style 中，上层显著上升，工薪层下降。同一个音变，随阶级与语域反向移动，说明它不是“不会说”，而是社会标记。

【隐式】冲突论读法：上层的 casual /r/ 脱落不是缺陷，而是一种可在正式场合兑换为声望的风格资本。所谓“标准”不是固定靶子，而是可切换的权力位置。当学校、招聘、ASR 转写或文本评分把某一种变体设为“正确”，它测量的不是认知能力，而是谁更早获得 prestige style 的训练与曝光。

【细微】计算社会科学常见盲点：语料选择与正字化会把 Labov 的语域梯度悄悄变成噪声模型。postvocalic /r/ 在英文正字法里几乎不可见（car, are, for 都写 r，但发音可脱落）；若只训练文本模型，它根本看不到这个特征。若再让 ASR 以“干净朗读语料”为目标，工薪层 casual 语音会被系统性标成错误。【流程节点链路】：【语音事件】→【转写/正字化】→【语料库抽样】→【特征编码】→【模型目标函数】→【偏差输出】。

【极难发现】更深的盲点：所谓“标准语料”常来自同一套机构渠道——大学文本、报纸、政府转写、技术文档。它们与 Labov 的阶级梯度共享同一权力来源。于是模型的“错误率”不是随机误差，而是阶级化、职业化、机构化的选择。一个“清晰度”或“标准度”分数，可能变成新的分选装置：入学、招聘、内容审核都会继承它。

【待验证点】当 ASR 或文本评分把“非标准变体”标成错误，我们是在测量语言能力，还是在生产新的阶级标签？