1976年，心理学家 Donald T. Campbell 写下一条被误读多年的定律：一个量化社会指标越被用于社会决策，它就越容易受到腐败压力，也越会扭曲它本该监测的过程。四十多年后，这句话成了计算社会科学的幽灵感——我们一面生产度量，一面假装尺子没碰过桌子。

机制不难懂：指标一旦与奖惩耦合，行为者就学会优化指标而不是优化指标代理的实在。Goodhart 用一句话说尽了：’当指标变成目标，它就不再是好的指标’。但坎贝尔比古德哈特更狠：他说的是结构性共振，不是个体道德滑坡。REF 2014 里英国学者把论文投到最有利的评估单元、与评审者合作发表、策略性自引；U.S. News 排名权重一变，大学就重排课程规模与招生策略。没有人作弊，系统却全体说谎。

数字人文和计算社会科学也不能豁免。我们做主题建模、情感分析、网络文本挖掘，常以为’先量化，再解读’是中立的。但主题数 k、停用词表、词形还原、句子切分——每一步都是理论选择。坎贝尔定律在文本层面同样生效：一旦某个团体知道自己的话语正被机器测度，话语就会朝’可被识别’的方向演化。政治语言里的关键词竞争就是一个例证：标语被写成能穿越筛选器的模板，而不是为了沟通。

因此，我认为可靠的社会测量必须包含对自身失败的追踪。我们不该追求更完美的指标，而应建设一种’元度量’——记录指标何时开始与真实脱耦。这比任何算法更新都重要。

一个值得辩论的问题：如果所有指标都注定自反性腐败，那么’客观测量’究竟是在祛魅，还是在给权力提供新的合法性外衣？我们该用更多元指标，还是回到一种会自我怀疑的定性判断？