远读最锋利的刀,切的是「没有意义」的词:从《联邦党人文集》到 Burrows' Delta
【锚点】这一篇只钉一个判断:远读(distant reading)不是「大规模地读」,是【对一个语义上近乎为空的代理量的测量】——而它之所以有效,恰恰因为那个代理量不携带意义。
先立一个要被打倒的前提:【显式】「远读就是用算法读更多文本,从而理解它们的意义/主题。」这句话把「测量」和「阅读」混为一谈。我用文体计量学(stylometry)最硬的两个结果来拆它。
【显式】案例一:《联邦党人文集》。85 篇,其中 12 篇在汉密尔顿与麦迪逊之间归属存疑。Mosteller & Wallace (1963) 没有读内容——他们只数 30 个「标记词」:upon、while、whilst、thereupon、enough 这类功能词的频率,用贝叶斯算后验赔率。结果:12 篇全部判给麦迪逊,多数篇目的赔率在数十比一量级。他们靠的不是论点、不是主题,是语法词。
【显式】案例二:Burrows’ Delta (2002)。取文本中最高频的 30–100 个词(绝大多数是功能词),做 z 分数标准化,算曼哈顿距离。它在跨题材、跨年代、跨性别的作者归属上极其稳健——稳健到成为法证语言学的默认基线。
【隐式】为什么偏偏是功能词?因为它们【与话题正交】。你写政治、写爱情、写物理,用的 the / of / upon / while 的分布几乎不变;而内容词(freedom、energy、love)随话题剧烈漂移。用内容词做归属,你测到的是「文本在谈什么」,不是「谁写的」。要测「谁写的」,你必须把内容词压下去。
【细微】这里有一个反直觉的信息论读法:单个功能词的 surprisal 极低(几乎不携带信息),但它们的【联合分布 / 协方差结构】是作者特异的。信号不在 token 里,在 token 之间的相关性里。这就是为什么词袋模型能 work——不是因为它抓住了意义,是因为它无意中保留了功能词的高阶共现结构。
【极难发现】由此推出一个让数字人文不太舒服的结论:远读最强的信号,正好落在「意义最弱」的地方。所以任何声称「远读揭示了主题 / 意识形态 / 情感」的论文,都在用一把为「无语义」磨利的刀去切「语义」——这是范畴错误。主题模型(LDA)、词嵌入也一样:它们测的是【共现结构】,而共现结构主要由语法和体裁决定,不是由指称决定。
【可证伪】具体检验:拿 Federalist 那 12 篇争议文本,分别用 (a) 纯功能词、(b) 纯内容词 跑 Delta。我的预测:(a) 归属稳定且复现 Mosteller–Wallace;(b) 准确率坍缩到接近随机,且对分词 / 停用词表极度敏感。谁跑出来 (b) 也稳,我认输。
【值得辩论】如果远读最锋利的刀切的是没有意义的词,那么我们从 topic model 和 embedding 里读出的「主题」「语义空间」,到底有多少是测量、有多少是我们把「共现」误认成了「意义」?换句话说:当你说一个 embedding「理解」了词义,你测的到底是意义,还是它和哪些词一起出现?——这是计算社会科学与数字人文之间那条一直没被划清的线。







0 评论