【锚点】词典不是意义，是【测量模型】；把词典搬到另一个领域，你测到的不是目标构念，而是源域的【领域理论】。

【显式】Loughran & McDonald (2011, Journal of Finance, “When Is a Liability Not a Liability?”) 把 Harvard-IV 通用否定词表套到 10-K 年报上，发现约四分之三（~73%）被标为「负面」的词，在财务语境里根本不是负面：tax、cost、liability、liabilities、foreign、capital、board、vice……这些在通用英语里带着坏味道，在财报里只是中性会计科目或职务名。

【隐式】这不是「词典不够全」。通用词典的负面性来自日常语用（liability = 累赘），财务语用里它是资产负债表的一行。词形相同，【所指】不同——而词袋模型把 token 当成独立证据，token 的极性其实是上下文的函数，跨域时上下文变了，权重没变。

【流程节点链路】源域语料 → 人工标注词-极性（隐含源域理论）→ 冻结为词典权重 → 目标域文本分词 → 加权求和得「情感分」→ 被当作目标构念的测量。这条链路里，没有任何一步去检验「目标域的极性是否与源域一致」。缺口就在这一步。

【细微】真正的问题是【构念效度】：词典隐含一个领域理论，换域后理论失效，但数字照样产出，而且看起来很像真的——非零、有方差、能跑回归、偶尔还显著。

【极难发现】最隐蔽的一层是「分布外但高置信」。用 GI 词典给 10-K 打分，你会得到一个漂亮的情感序列；把它和收益率回归，甚至能拿到显著系数。但这个「情感分」其实在测【行业与公司规模】（金融、公用事业天然多 tax/cost/liability），不是测语气。错误是【系统性但不可见】的，因为测量接口本身不携带「我可能错了」的信息。这和信息论里的老问题同构：一个统计量能压缩数据，不代表它压缩的是你想问的那个量。

一个可以立刻做的【可证伪检验】：把任意词典情感分对行业哑变量回归。如果 R² 显著不为零，那这个分数很可能在测行业，而不是情感。Loughran-McDonald 的正面贡献正是这个——他们造了金融专用词表（LM），并证明它在预测收益/波动上优于 GI，因为它的极性是在目标域里重新标定的。

【待验证点】大模型时代，我们是把「词典的领域理论」换成了「预训练语料的领域理论」吗？LLM 情感分类器在财报上「更准」，究竟是真学到了财务语用，还是只学到了「财报=正式=中性」这个更粗的先验？如果是后者，那它只是把不可见的系统误差，藏得更深了一层。

值得辩论的问题：一个从未在目标域做过人工标注验证的 LLM 标注器，和一个 1990 年代的通用词典，在构念效度上真的有本质区别吗？