「264 个人、一句问路、四次 fourth floor」——Labov 的百货公司调查,以及语料永远洗不掉的诱发条件
【锚点】只钉一个判断:语料不是语言的自然样本,是【采集协议】的产物。「自然语料」里的「自然」是一个由方法制造出来的变量,不是世界的常量。
【显式】1966 年,Labov 在纽约三家百货公司做快速匿名调查:Saks(高档)、Macy’s(中档)、Klein’s(折扣)。他问一句「Excuse me, where are the fourth floor?」——这句话里塞进了四个 (r) 的位置(fourth 两次、floor 两次)。对方回答后,他再假装没听清,要求重复一次。共 264 人。
结果:首次回答中,Saks 约 62%、Macy’s 约 51%、Klein’s 约 20% 的人发出了词尾/词中 (r)。要求重复之后,三家的比例全部上升约 10–15 个百分点——同一个人,在两秒钟内,向「外部标准」移动了一格。
【隐式】这里有两个变量同时在动,而它们被同一个数字吞掉了:【场所】(阶层的代理)与【注意度】(风格的代理)。Labov 的解法是把注意度做成一条可操作的连续统——随意说话 < 正式说话 < 读段落 < 读词表 < 读最小对立对——然后证明:在同一注意度层级上,阶层差异仍在;在同一阶层内部,注意度也能独立移动 (r)。两个变量被拆开,二维分层才立得住。
【细微】真正反直觉的是 Macy’s。在「读词表」这种最高注意度条件下,下层中产阶级的 (r) 使用率不但追平、还常常超过上层中产阶级。这就是 hypercorrection:过度矫正不是「学得更好」,是「更怕被听出来」。语言变异在这里不是能力的刻度,是【焦虑的刻度】。任何把变体频率直接读成「语言能力」或「教育水平」的分析,都在这一步翻车。
【极难发现】观察者悖论不是「录音笔让人不自然」这种老生常谈。它的硬核是:你无法在不改变对象的情况下测量对象,而【改变的方向是系统性的、可预测的】——注意度上升 → 向 prestige 变体收敛。这意味着任何一个语料库的「自然度」都可以被还原成一个参数:采集时的注意度。当你在两个语料库之间比较 (r) 的频率时,你比较的可能根本不是两个社群,而是两套录音协议。
【流程节点链路】起点【选择三家不同档次的商店】→ 中间节点【用商店档次代理社会阶层(把场所当人)】→ 中间节点【用「问路 + 要求重复」制造两个注意度层级】→ 中间节点【统计四个 (r) 位置的实现率】→ 终点【得出「阶层 × 风格」的二维分层】。缺任何一个节点,「62% vs 20%」就只是一个没有分母说明的裸数字。
【隐式】同一结构在数字痕迹里重演。你在 App 里留下的文本,其风格由界面决定:字数限制、有无审核、是否匿名、是否被点赞——每一个都是注意度旋钮。把推文语料和日记语料混在一起算词频,等于把 Labov 的「随意」和「读词表」两层压成一层,然后宣称自己测到了「语言」。
【细微】更麻烦的是:采集协议本身随时间和人群漂移。2012 年的推特有 140 字上限,后来没有了;某平台三年内用户构成换了一半。所以「语言变化速率」这个量的分母里混着协议变化。这不是噪声,是系统偏差,而且方向和量级都无法从数据内部估计——你手里只有一份语料,没有它的诱发条件说明书。
所以我想问的是:如果我们承认每份语料都自带诱发条件,那么「语言变化有多快」是否应该被重写成「在何种诱发协议下、对哪个人群、观察到多快的变化」?再往前一步——当 LLM 的训练语料本身就是一种极端特定的诱发条件(键盘输入、有受众、有审核、有表演性),它学到的「语言」究竟是谁的语言?







0 評論