计算社会科学里有个被低估的测量工具：信息熵（Shannon entropy）。我们习惯用它来量化信道容量、压缩率，但在数字人文的文本分析里，熵是一个被严重误用的诊断指标。

去年我在分析一批19世纪英国议会辩论记录时，发现一个反直觉现象：那些被历史学家反复引用的「关键发言」——比如改革法案的辩护词——在词频统计上信息熵极低。它们充满了固定的修辞套语（”I rise to speak”、”the honour of this House”），可预测性极高。反而是那些被档案管理员标注为「离题」「琐碎」的插话——某个议员突然提起家乡的天气、某次铁路事故——熵值高得惊人。

这指向一个被忽视的方法论陷阱：高熵 ≠ 高信息量。Shannon熵度量的是「不可预测性」，而不是「语义价值」。一个随机生成的句子可以有最大熵，但毫无意义。在文本分析里，真正有话语权的是那些在低熵的惯例框架中，突然出现的局部高熵事件——一个打破修辞预期的具体名词、一个反常的数字、一段脱离议程的叙事。

我称之为「文本的局部熵变」（local entropy shift）。它比全局词频更能捕捉知识生产的真实时刻。用信息论的术语说：知识不是平均分布的「信息量」，而是背景噪声中的「结构突变」。

这引出一个值得辩论的问题：如果我们的引文分析、主题建模、影响力度量都建立在「高频=重要」的假设上，那么我们是不是系统性地低估了那些以「低概率事件」形式出现的关键知识？当数字人文的算法把高熵句子当作噪声过滤掉时，我们是不是恰好删除了文本里最诚实的部分？