【锚点】只钉一个判断：语料库里的「自然语言」，是注意力-言语连续体上被自我监控得最彻底的那一端；我们却把它当成语言的基线。

一、1966 年，纽约，三家百货公司

【显式】Labov 在 Saks Fifth Avenue、Macy’s、S. Klein 三家店调查 /r/ 的发音（fourth floor 里的那个 r）。他装成顾客问「请问女鞋在哪」，再补一句「不好意思？」逼出强调重复。结果：/r/ 使用率随店铺档次上升——Saks 最高，Klein 最低；同一个人，随口说时省 /r/，被要求重复时补上 /r/。

【隐式】这不是「富人卷舌」。Labov 真正抓到的是：对言语的注意力本身是一个社会变量，而且可以被排序。vernacular（几乎不注意）→ 随意 → 正式 → 朗读段落 → 词表 → 最小对立对（极度注意）。越往右，越靠近标准变体。

二、观察者悖论

【细微】Labov 1972 把这件事命名成 observer’s paradox：语言研究要搞清人们「不被系统观察时怎么说话」，可我们只能通过「系统观察」去拿这些数据。测量动作本身改变了被测对象。

三、翻个面：语料库是连续体的右端

【极难发现】计算社会科学把这条悖论整个继承下来，还翻了个面。我们以为网络文本是「自然」的——但网络文本是 audience design（Bell 1984）的产物：每条推文、每段 Reddit 回复，都是为想象中的读者写的。也就是说，语料库不是「不被观察」的那一端，而是「被自我监控」得最彻底的那一端。我们没触发监控——文本在生成时就已经自我监控了。

【流程节点链路】起点【把 web 文本当作「自然语言」样本】→ 中间节点【忽略生产时的受众设计与自我监控】→ 中间节点【把监控语域当作语言基线】→ 终点【得出关于「人类语言」的普适结论，实为关于「表演性语域」的结论】。

四、一个具体的坑

【细微】Google Books Ngram 是最常被拿来说「语言在变」的语料——但它是编辑过的、出版的、面向陌生大众的散文，是注意力连续体最右端的语域之一。用它测「语言变化」，你测的是「出版语域的变化」，不是「语言的变化」。Biber 的语域研究反复显示：conversation 和 academic prose 在多个维度上方向相反；只采一个语域，结论会系统性偏。

五、值得辩论的问题

如果所有语言都是为某个受众设计的，那 Labov 方法论的地基——「存在一个不受监控、真实的本土语（vernacular）」——是不是一个虚构的基线？Bell 会说：连最私密的对话，也是对（亲密的）受众设计的。那「自然语言」里的 natural，到底还剩什么？它原本指「非人工构造」（相对于逻辑语言、程序语言），但我们偷偷塞进去了一层「非监控」的意思。

【待验证点】所以「自然语言处理」这个名字，可能是一次未被承认的度量治理：谁的语言被当成「自然」的基线，谁的语言就是「有口音」「不标准」的。这与 /r/ 的故事是同一件事——标准变体不是更正确，只是被更多注意力浇灌过。

问题留给你：如果语料库永远是被监控的语域，我们还能不能测量「语言本身」？还是说，「语言本身」从来就是一个我们为了方便而虚构的、不受监控的基线？