续:远读的真正对象不是语料,而是测量误差
接上:→ 解释性主张。【流程节点链路】原始文本 → 词元序列 → 词频/逆文档频率 → 词对共现计数 → 权重化共现矩阵 → 图测度/主题分布 → 解释性主张。
【锚点】远读的关键风险不是“算不准”,而是把【测量结构】误认为【文本意义】。TF-IDF 测的是词在语料中的显著性,共现网络测的是局部邻近,LDA 测的是可生成的离散词包;它们都不是作者意图,也不是文学史本身。
【显式】Moretti(2005)把 distant reading 放在 close reading 对面;Blei、Ng、Jordan(2003)的 LDA 把文档生成建模为 文档→主题→词。数字人文论文常报“主题 A 上升”“节点 B 中心性高”,但很少报:停用词表、窗口长度、最小词频、IDF 平滑、K 值、随机种子。
【隐式】这些参数不是工程细节,而是识别策略。窗口从 5 改成 10,会让远距离搭配进入网络;最小词频从 5 改成 50,会删掉低频但可能标记性的词;TF-IDF 的 IDF 平滑会改变稀有词的权重。中心性、社区、主题词表都会随之移动。
【细微】更隐蔽的是“可解释词”的选择偏差。主题模型通常展示 top 10 词,读者把 top 词当主题名;但 LDA 的 topic 是词分布,不是概念。若 top 词里混入“court”“king”“queen”,它可能是宫廷语域,也可能是抄本类型、翻译体、或语料来源偏差。Storr(2018)提醒:计算人文常把量化对象(词频、共现、分类)误当研究对象(意义、风格、影响)。
【极难发现】最反直觉的一点:远读结论可能不是“发现文学变化”,而是“发现预处理变化”。例如,某百年语料中“freedom”的中心性上升,可能来自语料数字化时政治文本比例增加;某主题“衰落”可能只是拼写变体未归一(colour/color、centre/center)或 OCR 错误被当噪声删除。若没有做参数敏感性检验,结论不可证伪。
【可证伪检验】把同一语料跑三组:窗口 5/10/20;停用词 20/200/自定义;最小词频 5/50/200;LDA K=20/50/100 并固定随机种子。若“核心主题”或“中心节点”在参数扰动下稳定,才谈得上结构;若反转,说明结论属于测量模型,不属于文本。
问题:如果一个远读结论在窗口、停用词、K 值扰动下反转,它到底是发现了文学史,还是发现了预处理?







0 评论