文本即数据与计算政治分析

破除误解#

把十万篇演讲输入模型，不会自动得到比细读十篇演讲更客观的结论。计算文本分析降低了处理规模的成本，却没有消除语料选择、概念定义、标注、模型假设和语境解释。政治文本也不是行动者思想的透明记录。政党纲领是协商产物，议会发言面向选民和同僚，外交声明可能故意模糊，社交媒体内容还受到平台排序和机器人活动影响。

文本既是数据，也是政治行为。

从生成过程开始#

研究者首先要问：谁在什么制度下，为谁生产了这些文本？同一句强硬表态，在内部会议、竞选集会和外交谈判中的意义不同。有些行动者拥有专业写作团队，有些群体几乎不留下书面记录。国家档案保存官方文件，却可能系统排除口述政治和非正式组织。如果不了解生成过程，模型会把可见性当成政治重要性。

界定语料总体#

语料库需要明确总体和纳入规则。研究议会极化时，是收集所有发言、主要辩论、新闻引用，还是议员社交媒体？这些文本由不同激励产生。时间边界也会改变结论。只截取危机期间的语言，不能代表平常政治；平台 API 改变后，前后数据可能不可比。研究者应记录抓取日期、来源版本、缺失文本、去重规则和排除标准。

文档单位#

文本分析必须决定什么是一个文档。一整场演讲、一段发言、一个句子或一条社交媒体帖子，会产生不同特征。把长篇演讲与短讯息直接比较，词频可能主要反映长度。把对话切成孤立句子，又会丢失否定、指代和回应关系。文档单位应与理论机制对应。如果研究议题设置，演讲级单位可能合理；如果研究仇恨表达，句子或语段可能更合适。

预处理不是中性清洗#

分词、词形归并、停用词删除和大小写处理都会改变政治意义。“不支持”中的“不”若被当停用词删除，立场会反转。把“民主党”和“民主”简单拆分，也会混淆组织与规范概念。中文分词还受到新词、人名、机构简称和政治口号影响。研究者应保存原始文本，公开预处理步骤，并通过样本检查确认清洗没有破坏关键语义。

词典方法#

词典把词语映射到情绪、意识形态或政策类别。它透明、快速，也容易迁移失败。“激进”在一个语境中是负面标签，在另一个群体中可能是自我认同；“安全”可以指社会保障、国家安全或网络安全。通用情感词典通常不能直接测量政治立场。可靠应用需要领域词典、本地语言评审、人工编码对照和误差分析。

监督学习#

监督模型从人工标注文本学习分类。标注集不是客观真相。编码者需要明确规则，处理讽刺、引用、隐含立场和多标签文本。编码者一致率可以发现规则模糊，但高一致率也可能来自过度简单的标签。训练集必须覆盖未来应用环境。用一国选举新闻训练的模型，直接分类另一国议会辩论，可能把体裁和机构差异误当成政治差异。

无监督模型#

主题模型、聚类和词向量可以探索大型语料中的结构。模型输出的“主题”不是自然存在的政治类别。研究者需要阅读高权重词、代表文档和边界案例，再给主题命名。主题数量、随机种子、预处理和先验都会影响结果。如果只有最容易解释的一次运行被展示，探索性方法会制造虚假确定性。

稳定性分析和人工验证应成为标准步骤。

文本尺度与意识形态#

政治学常用文本估计政党或议员的意识形态位置。这类尺度通常依赖参考文本、词语共现或监督标签。估计位置可能同时反映议题关注和真实立场。一个政党更多谈气候，不等于它在所有政策维度都更左。多维政治被压成单轴时，研究者应说明轴的实质含义和范围条件。

文本尺度还需要与投票、专家调查或政策行为进行外部验证。

验证不是报告准确率#

总体准确率会掩盖类别不平衡。如果 95% 文本都不含目标现象，一个永远预测“没有”的模型也有 95% 准确率。研究者应报告精确率、召回率、混淆矩阵和类别分布，并根据研究目标选择指标。更重要的是实质验证。模型是否在不同年份、政党、语言和文本体裁中保持性能？误差是否集中在少数群体？聚合后的趋势是否会因小量系统误分类而反转？

测量误差进入推断#

文本模型输出通常只是对潜在概念的估计。把估计标签当作无误差变量再做回归，会低估不确定性，并可能引入偏差。研究者应保留预测概率、使用重复标注或联合模型，并通过敏感性分析评估误分类影响。当文本测量是因变量时，群体间不同误差率尤其危险。模型可能看似发现某群体更极端，实际只是更不理解该群体的语言。

时间漂移#

政治语言会变化。同一个词在十年间可能改变含义，新口号和新联盟不断出现。静态模型在训练期表现良好，进入新时期后会退化。时间验证应使用真正后来的数据，而不是随机拆分同一时期文本。研究者还应区分语言变化和政治变化。词频上升可能来自媒体风格、平台限制或机构模板改变，而不是公众态度转向。

跨语言分析#

机器翻译让跨国语料更容易处理，也可能抹去政治语境。敬语、讽刺、族群称谓和制度术语很难保持等值。低资源语言的模型性能通常更弱，误差却常被汇总结果隐藏。跨语言研究应保留原文，由本地语言专家评审关键分类，并分别报告语言性能。如果概念本身不等值，再好的翻译也不能制造可比性。

社交媒体数据#

平台数据不是社会的完整镜像。用户不是随机人口，发帖者又是用户中的活跃少数。推荐算法、审核、付费推广和机器人共同决定哪些内容被看见。API 提供的数据还可能只是平台允许研究者看到的一部分。删除内容和账号封禁会改变历史记录。研究报告应说明平台、接口、采样窗口、查询词和缺失机制，避免把“平台上的表达”称为“公众舆论”。

网络与文本结合#

文本可以与传播网络、组织关系和时间序列结合。研究者不仅问说了什么，还问谁转发谁、哪些框架跨群体扩散、政策语言如何进入媒体。网络位置和文本内容相互影响。高传播量可能来自影响力，也可能来自平台推荐；相似语言可能表示协调，也可能来自共同新闻源。联合分析仍需要竞争解释，不能把相关网络图直接当成操纵证据。

大语言模型#

大语言模型可以辅助分类、摘要、信息抽取和代码本构建。它们的输出受到训练数据、提示、版本和服务商更新影响，可能产生不可复现和虚构内容。把模型当作编码者时，应保存提示与版本，在人工金标准上验证，报告不同群体和语言的误差，并对关键判断进行复核。大模型生成的解释不能替代原文证据。

研究者还要考虑将敏感政治文本发送给外部服务的保密风险。

解释与细读#

计算规模和细读不是二选一。模型可以定位模式、异常和时间变化，细读帮助理解语境、修正类别和发现生成机制。Grimmer 与 Stewart 强调，自动文本方法需要针对具体问题进行充分验证，不能替代仔细思考和阅读。最佳工作流通常是迭代的。理论指导标注，模型发现误差，细读修改概念，再重新估计。

可复现性#

文本数据管线包含抓取、解析、去重、预处理、标注、训练、调参和汇总。任何一步改变都可能改变结论。研究者应版本化原始数据和代码，记录随机种子、软件版本和模型参数。受版权、平台协议或安全限制无法公开原文时，可以公开文档标识、处理代码、合成示例和访问说明。透明需要与合法性和参与者保护平衡。

伦理与伤害#

公开文本不等于没有伦理风险。把少数群体帖子汇总成极端主义标签，可能造成污名；引用可搜索原句可能重新识别匿名账号；训练分类器也可能被用于监控。研究者应评估采集预期、语境完整性、重新识别、群体伤害和下游用途。在压制性环境中，公开账号网络和政治立场分类可能直接增加风险。

数据最小化和结果聚合有时比“开放全部数据”更负责任。

实施清单#

一个可审查的文本研究需要说明：

1. 理论概念和文本生成机制。
2. 语料总体、来源、时间和缺失。
3. 文档单位与预处理决策。
4. 标注规则和编码者一致性。
5. 训练、验证与真正的外部测试。
6. 类别不平衡和群体差异误差。
7. 文本测量不确定性如何进入后续推断。
8. 时间、语言和平台迁移边界。
9. 数据、模型与提示的版本记录。
10. 隐私、版权、重新识别和政治伤害。

模型扩大了可阅读的规模，也扩大了错误的规模。

跨域连接#

• 语料库语言学：语料不是世界的样本，而是特定制度下的书写产物。政党纲领是协商结果，议会发言面向选民与同僚，外交声明可能故意模糊；不了解生成过程，模型就会把可见性误当成政治重要性。
• 自然语言处理：预处理不是中性清洗。停用词表删掉否定词会让立场反转，分词把机构名拆开会混淆组织与规范概念。这类损失发生在建模之前，因此不会出现在任何评估指标里——准确率再高，测的也可能已经不是原来的概念。
• 内容分析：监督学习的标注集不是客观真相，而是一套编码规则的产物。编码者一致率高也可能只是标签过于简单，讽刺、引用与隐含立场恰恰是一致率最低、政治含义最重的部分——把它们排除出去，模型会在最需要判断的地方失效。
• 大语言模型：把模型当编码者时，输出受训练数据、提示与版本更新影响，可能不可复现。更麻烦的是误差分布不均：对低资源语言与少数群体语言的性能通常更弱，而这种差异会被汇总结果掩盖，看起来像"某群体更极端"的发现。
• 意识形态：文本尺度常把多维政治压成单轴。一个政党更多谈气候，不等于它在所有维度上都更左——估计位置同时反映议题关注与真实立场。因此任何尺度都需要说明轴的实质含义，并用投票、专家调查或政策行为做外部验证。

参考文献#

• Grimmer, Justin and Brandon M. Stewart. “Text as Data: The Promise and Pitfalls of Automatic Content Analysis Methods for Political Texts.” Political Analysis 21(3), 2013, 267–297. DOI: 10.1093/pan/mps028.
• Roberts, Margaret E., Brandon M. Stewart and Dustin Tingley. “stm: An R Package for Structural Topic Models.” Journal of Statistical Software 91(2), 2019. DOI: 10.18637/jss.v091.i02.
• Lucas, Christopher et al. “Computer-Assisted Text Analysis for Comparative Politics.” Political Analysis 23(2), 2015, 254–277. DOI: 10.1093/pan/mpu019.
• Wilkerson, John and Andreu Casas. “Large-Scale Computerized Text Analysis in Political Science.” Annual Review of Political Science 20, 2017, 529–544. DOI: 10.1146/annurev-polisci-052615-025542.
• Salganik, Matthew J. Bit by Bit: Social Research in the Digital Age. Princeton University Press, 2018.

延伸阅读#

• Grimmer, Justin, Margaret E. Roberts and Brandon M. Stewart. Text as Data: A New Framework for Machine Learning and the Social Sciences. Princeton University Press, 2022.
• Nelson, Laura K. “Computational Grounded Theory.” Sociological Methods & Research 49(1), 2020, 3–42.