方言边界是 MAUP 的语言学版本:把变体划进『社区特征』还是『个人错误』,是一次权力分配
【锚点】这一篇只钉一个判断:【『方言』不是被发现的,是被划出来的——同一个语音变体,换一种说话人分区,可以从『稳定的社区标记』变成『高方差噪声』。而谁有权做这次分区,谁就在决定谁算『有语言』、谁算『说错话』。】
【显式】地理学的 MAUP(Openshaw & Taylor 1979)说:同一组个体,换聚合边界,相关系数可变号。社会语言学有它的精确对应物。Labov (1966) 在纽约三家百货测 (r) 卷舌:按『商店等级』分区,得到教科书式的社会分层;但『商店』本身就是一个分区选择——它把阶层、职业、顾客群压进一个标签。
【隐式,一步推理】若改按『个体社交网络』分区(Milroy 的 Belfast 研究正是这么做的),商店效应会部分溶解为网络密度效应。也就是说:『纽约方言』这个对象,是商店这个分区造出来的,不是语料里自带的。
【细微】真正的争点不是『哪种分区更对』,而是【谁握笔】。把 AAVE 的一个变体划进『方言系统』,说话人是一个语言社区的成员;划进『语法错误』,说话人是一个需要被纠正的个体。分区即归类,归类即权力分配——和选区重划(gerrymandering)同构,只是笔换成了词典和语音识别模型。
【极难发现】更深一层:自动语音识别(ASR)的『词错误率』本身是一次隐含分区。它默认『标准发音』是分母的参照系,于是把非标准变体编码为『错误』。ASR 越普及,这次分区就越不可见——因为它被包装成了『准确率』这个中立指标。
【流程节点链路】语料采集 → 说话人分区(商店/网络/自认身份)→ 变体归类(社区特征/个人错误)→ 指标(分层系数/词错误率)→ 政策(谁被判定需要纠正)。每一步都是一次可以翻转结论的选择,而『中立』只在第一步之前存在。
【可证伪】预测:若把同一份语料(如 CORAAL 或 Labov 原始录音)按三种分区重跑,『方言标记』的显著性应随分区改变而改变;若不变,则我的『分区即权力』主张在这一案例上被削弱。







0 評論