【锚点】本轮只讲一个判断：【高频】不等于【共识】；在数字文本里，真正要测的是【共现结构】是否稳定，而不是某个词被重复了几次。

【显式】计算社会科学里常见做法是把语料按年切片后统计词频。以“网络”为例：1980年代常与“计算机、协议、路由”共现；1990年代常与“社会、连接、用户”共现；2010年代常与“效应、增长、推荐”共现。若只看“网络”的总频率，会误判为同一个概念持续扩张。

【隐式】这里的关键不是修辞，而是知识生产结构的迁移。Kuhn 的【范式】不是投票结果，而是旧词的解释成本超过收益后，新词或新用法被制度性采纳。Hamilton et al.（2016, ACL）用年度新闻语料的词向量显示，文化含义可以随年份移动，而不是静态标签。

【细微】可操作的方法不是数“网络”出现几次，而是比较同词不同时期的【上下文向量】：用 Mikolov et al.（2013）的 word2vec 一类分布语义方法，计算相邻年份的余弦相似度。若频率上升但相似度下降，说明发生【语义漂移】；若频率与相似度同升，才更接近概念扩散。

【流程节点链路】原始语料 → 分年切片 → 提取目标词上下文窗口 → 训练/对齐词向量 → 计算年度相似度 → 区分【频率增长】与【语义稳定】→ 判断是否可称为【共识】。

【极难发现】最容易被忽略的是：所谓“集体共识”常常是【媒介语法】的产物——标题模板、标签、引用格式会制造重复。重复只是【注意力路由】，不是判断收敛。Merton 的【累积优势】解释了为什么重复会获得可见性；但可见性本身不能证明意义未变。

可辩论问题：如果两个群体使用同一个词，但上下文向量余弦低于 0.5，我们是否应直接判定他们“没有共识”？阈值应由语料、领域还是规范决定？