同一批人、同一百篇貼文,只要改變合計方式,就能寫出兩個相反的世代標題。從「炮」與「砲」的一個偏旁,可以看出這道統計難題是怎麼發生的。
假設一位二十八歲的作者在感情論壇寫道:「我們連『約炮』的定義都談不攏。」一位五十二歲的讀者把這句話轉到 Facebook,順手將「炮」改成自己看慣的「砲」,又加了一句「我們年輕時很少這樣講」。幾年後,研究者從論壇找到「約炮」,從社群貼文找到「約砲」。倘若資料只留下平台、帳號年齡和關鍵字,表格看起來十分乾淨:年輕人寫火字旁,年長者寫石字旁。回到兩篇原文才會發現,表格裡號稱兩個世代的語言,其實有一半是同一句引文。最應該研究的那個動作——有人轉述別人的話時換了一個字——反而被整理資料的人刪掉了。
這個例子是設想,問題卻很具體。當一篇報導說「年輕人更常談約炮」,它究竟發現了什麼?可能是較多年輕帳號用過這個詞,可能是少數帳號寫得格外頻繁,也可能只是研究者在年輕人常用的平台,剛好搜對了那個字。更遠的一步,是把這句話寫成「年輕人更接受短期關係」。這時結論已經從文字跳到態度。若又據此判斷哪個世代有更多實際經驗,那就從用字、談論、評價一路走到行為,途中每一步都需要新的證據。一個偏旁能告訴我們多少,端看研究者願不願意在該停的地方停下來。
「約炮」裡還有一個繁體的「約」
先把兩個詞並排細看。「約炮」與「約砲」的第一個字都是「約」,並沒有寫成簡體的「约」;差異出在第二字的火部與石部。教育部《重編國語辭典修訂本》在「砲」字的一項釋義中註明「同『炮』」。這條釋義針對字義,不能拿來證明兩種網路俚語在所有地方的語氣都一樣,卻足以提醒讀者:繁體中文裡本來就找得到「炮」。只憑火字旁,就把整篇文章列為簡體文本,連眼前的第一個字都解釋不了。教育部《重編國語辭典修訂本》2021
這個小地方會牽動很大的文化解釋。若先把「約炮」一律編成「受簡體中文影響」,接著發現某年齡組使用比例較高,研究報告很容易寫成「這一代的用語更受另一地區影響」。但一位從小在台灣讀書的作者,可能一直在繁體書報中接觸「炮」字;另一位作者可能沿用新聞標題,連標題本身是不是繁簡轉換後的版本都不知道。在沒有追問閱讀來源、輸入習慣與引用關係之前,最有把握的發現僅止於:採集到的這批文字,火字旁較多。字形可以成為追查語言接觸的線索,還不能直接充當作者成長背景的證明。
同樣值得保留的是另一種可能:有人確實有意選字。有些人會說「我知道兩種都有人寫,但石字旁看起來比較像我以前逛論壇時讀到的用法」。倘若好幾位受訪者都能說出當年的版面、常見搭配,以及自己換過幾次寫法,這便是值得深究的語言記憶。把兩種字形一開始就合併,會讓這段經歷無跡可尋;把兩者從頭到尾視為毫無關聯的詞,又會低估話題相通的程度。兩種寫法該不該合算,取決於眼前要回答的是「大家有沒有談同一件事」,還是「大家怎麼把這件事寫出來」。
同一百篇貼文,如何得出相反的世代印象?
不妨用一個可以親手驗算的例子。假設研究者抽出一百篇原創貼文,每位作者只計一篇,年齡均已確認,每篇只使用其中一種寫法。甲、乙兩個平台各有五十篇。下表完全是算例,用來觀察歸類方式如何改變結果。人數與比例都不代表任何真實平台。
| 發文平台 | 年齡組 | 貼文數 | 寫「約炮」 | 寫「約砲」 | 火字旁占該列比例 |
|---|---|---|---|---|---|
| 甲平台 | 20~29 歲 | 40 | 32 | 8 | 80% |
| 甲平台 | 50~59 歲 | 10 | 9 | 1 | 90% |
| 乙平台 | 20~29 歲 | 10 | 1 | 9 | 10% |
| 乙平台 | 50~59 歲 | 40 | 8 | 32 | 20% |
先不管平台,把兩個年齡組各自加總。二十多歲的五十人中,三十三人寫「約炮」,占百分之六十六;五十多歲的五十人中,十七人寫「約炮」,占百分之三十四。如果報導到此截稿,「年輕組偏好火字旁,比例比年長組高三十二個百分點」並沒有算錯。再把平台名稱放回去,卻會看到方向翻轉:甲平台裡,年長組使用火字旁的比例高十個百分點;乙平台裡,年長組也高十個百分點。倘若讓兩個平台對每一個年齡組各占一半權重,年輕組是百分之四十五,年長組則是百分之五十五。
差別出在一個尋常得容易漏看的事實:年輕組多數被抽自習慣寫火字旁的甲平台,年長組多數被抽自習慣寫石字旁的乙平台。兩組人數恰好都是五十,並沒有消除這個差異。這類加總後方向翻轉的現象,統計上常稱為辛普森悖論。它值得一般讀者記住的地方很簡單:看到「兩代各訪問五十人」時,還可以再問一句,這五十人分別是在哪裡找到的?
這張表還藏著另一個陷阱。一百篇全都是已經使用這個詞的文章,因此無論怎樣加總,都答不出「哪個年齡組更常討論約炮」。若要回答談論頻率,還得把沒有出現這兩個詞的文章納入分母,說明比較的是每千篇貼文有幾篇提及,或每千名活躍作者有幾人提及。前者容易受到高產帳號影響,後者則看不出少數人是否反覆討論。一份做得很整齊的字形分布表,完全可能對話題普及程度一句話也說不上來。這是讀者拿起計算機以前,就能檢查的地方。
作者按下送出之後,還有哪些人替他選字?
通常只有作者自己知道,打字時有沒有特意挑過偏旁。他可能輸入整句後直接採用候選詞,也可能打一半發現選錯,回頭改成自己習慣的那個字。讀者最後只看見結果。若某人手機上習慣選第一個候選詞,在電腦上卻沿用舊詞庫,兩份文字就可能露出不同的用字習慣。把這兩篇交給只看關鍵字的模型,模型也許會替同一個人判出兩個年齡。這種情況下,值得研究的是書寫工具如何參與選字,以及作者何時覺得有必要改回來。
文字離開作者之後,還可能經過網站匯入、編輯改稿、繁簡轉換與資料匯出。以開放中文轉換工具 OpenCC 為例,官方說明列出的功能包含字元層級、詞彙層級、異體字與地區用詞轉換。不同設定要處理的問題並不相同。這只能證明文字在技術上有這些轉換途徑,不能憑網頁上出現「約砲」就認定某平台採用 OpenCC,更不能在未測試前斷言某一組設定必定改動這個詞。要指出字是在哪一步被改掉,至少得比對能取得的原稿、顯示版本與研究者實際收到的檔案。opencc.byvoid.com
尤其值得核對的是搜尋框。假設用「約炮」和「約砲」分別搜尋,兩次都出現同一篇文章,可能是文章本來就用了兩種寫法,也可能是搜尋系統把兩者視為相關詞。反過來,若站內只能精確比對其中一種,另一種文章便可能整批漏掉。實務上可以拿一篇已知同時含兩種寫法的文章,以及兩篇各自只有一種寫法的文章,觀察搜尋與匯出的結果,再回原頁核對。這個小步驟決定我們拿到的是「搜尋系統願意回傳的結果」,還是更接近「作者確實敲下的字」。兩者都能研究,但若標題聲稱分析作者偏好,資料就得有能力保住作者的選擇。

最容易誤判的,是開放程度、語言來源與流行年代
親密關係用語格外容易招來道德推論。設想甲平台多為感情問答,乙平台常轉貼新聞。前者的一句「對方問我要不要約炮,我該怎麼拒絕」,是當事人在詢問如何表達界線;後者的一句「報導標題為何一定要放大『約砲』」,則是在評論媒體。兩篇都可以被關鍵字搜尋找到,卻沒有一篇表達作者接受這種邀約。若把前者算進「年輕人較直接」,把後者算進「中年人較保守」,看似相當符合直覺,實際上研究者比兩位作者多說了好幾句話。
讀者再把詞換成「一夜情」就更容易理解。同一個人可能在私訊裡說「約炮」,在訪談裡說「短暫關係」,對長輩轉述時只說「我們期待不同」。他是在配合聽眾調整說法,未必一週之內改變了三次價值觀。相反地,兩篇都寫「約砲」的文章,可能一篇主張坦白溝通、一篇嘲諷別人的生活選擇。若研究的是世代態度,就得回到句子裡看誰邀請、誰拒絕、誰被引述,以及發言是在認同、追問還是批評。只用高低詞頻排列「誰比較開放」,恰好略過了當事人真正表態的部分。
台灣網路語言中,「定點茶」「外送茶」「個工」「茶訊」也提供了另一層提醒。這些詞可能出現在產業討論、廣告引文、防詐提醒或論壇史回顧裡。它們與約炮、一夜情具有不同的語意與使用情境,不能因版面上經常相鄰,就合併成同一種行為。一位六十歲的編輯整理早年茶訊論壇,在一篇文章裡引用二十則貼文,字詞會被算到他的帳號之下;真正留下那些用字的人卻分屬不同年代,年齡也可能完全不詳。若把這筆資料描述成「熟齡族群開始大量採用青年俚語」,最活躍的那個熟齡帳號,其實可能只是在編一本索引。
至於「哪一代最早開始用」,又牽涉另一種時間錯置。系統能搜到的第一筆資料,首先證明的是這個檔案在某個日期留下了可檢索的紀錄。一個早年的討論區如果已經關站、備份只存圖片,或是舊文後來才整批移入新站,今天的文字搜尋就可能從很晚的年份才開始出現結果。研究者如果只查「約砲」,還會錯過早期採火字旁、語意卻已接近的例句。這就像一本字典從第三版才把某個詞收進去,能確定的是它進入那本字典的時間,無法單憑第三版的出版日期,指定那一代人就是它的發明者。
連年齡都要推估時,最怕的是拿結論反過來當證據
有些匿名論壇根本沒有可靠的出生年份。帳號名稱像大學生、發文時常用某些語尾,最多是線索;同一帳號也可能用了十幾年。若研究者先因「約炮」常被認作年輕用語,把使用者歸入青年組,最後再宣布青年組比較常寫「約炮」,數字當然會很漂亮。它只是把原先放進分類規則裡的判斷取了出來。比較有說服力的做法,是採用獨立於目標詞的年齡資料,例如當事人在研究中提供的年齡,而且要換算成發文當時的歲數。無從確認的作者保留為未知,往往比硬替每篇貼文配上一個出生世代更忠於原始材料。
研究者 Zeynep Tufekci 在討論社群媒體大數據的方法問題時,曾指出過度倚重單一平台、按標籤選樣,以及說不清樣本究竟代表哪些人等限制。這對中文網路語料尤其有啟發:即使收進來的是十萬篇,也要問這十萬篇是從什麼範圍中抽出的。若較年長的使用者傾向在研究取不到的私人群組裡談,而公開版面剛好多了年輕作者,結果可以合理描述「在可見版面上誰寫得較多」,卻不能順勢宣布另一代人對這個話題特別沉默。看不見他發言,和知道他沒有說,是兩種不同分量的知識。collaborate.princeton.edu
即使年齡完全可靠,二十多歲與五十多歲在同一年出現差異,也只先構成一個年齡組差異。年輕作者現在願意在公開區直書某個詞,到了需要顧慮孩子、同事或客戶都可能看見自己貼文時,也許會換一種寫法。要說這是跟著某個出生世代長久保留的特徵,還得觀察不同年代的人處在相近年齡時怎麼寫,並留意其間的平台規則與輸入工具怎麼變。否則,研究可能把「人到了某個人生階段會改變表達方式」寫成「某一代人天生比較保守」,連差異會不會維持都還沒看見,就先替它安排了性格。
讓兩個字留下來,也讓資料回答兩個不同的問題
一份能經得起重讀的研究,可以同時保留原文與整理後的欄位。原文記錄作者或該版本究竟寫了「炮」還是「砲」;另一欄則經過語境判讀,把確實在談同一概念的用例放在一起。遇到一句「今天討論的是『約炮』和『約砲』的寫法」,更應註明這是對詞語本身的討論。否則,連讀者眼前這篇研究語言的文章,都會因為兩種寫法反覆出現,在資料庫裡變成一個對私人邀約異常熱衷的樣本。
公開結果時,同樣可以提供兩個互相核對的答案。第一個答案說明,在能判讀年齡且使用過這個概念的原創作者中,不同平台、不同年齡層各自如何選字。第二個答案說明,在各平台可比較的完整樣本中,有多少作者談過這個概念,以及他們是在描述自己、轉述他人還是評論用語。如果把重複轉載拿掉後差異縮小,讀者就知道擴散方式原來占了相當分量。若在同一平台、同一時期、相近文章類型中,兩個年齡組仍穩定選用不同偏旁,這時再邀請作者談最早從哪裡學到這個詞,才有機會寫出真正有意思的世代故事。
回到開頭那兩篇貼文。二十八歲的作者敲下「約炮」,五十二歲的讀者在轉述時寫成「約砲」。一張粗略的報表會把兩人分到不同陣營;保存引文來歷的研究,卻能看見他們其實在對話。年長者讀得懂年輕人的問題,還把它帶到自己的生活圈,只在落筆時換成一個熟悉的偏旁。假如這樣的例子經過查證後反覆出現,最值得報導的發現也許是:字形的確留下了年代痕跡,而那個在兩代人之間來回傳遞的詞,比統計表裡的分界更容易被彼此理解。
延伸閱讀
