四学科经典论文语言风格：跨学科对比总报告¶
——Big Data & Society / HCI / Sociology / Software Engineering，314 篇、330 万词语料库分析（2026-08-15）
分报告：1_BigDataSociety · 2_HCI · 3_Sociology · 4_SoftwareEngineering
0. 语料总览¶
| Big Data & Society | HCI | Sociology | Software Engineering | |
|---|---|---|---|---|
| 论文数 / 词数 | 27 篇 / 21.2 万 | 94 篇 / 81.8 万 | 79 篇 / 110.6 万 | 114 篇 / 116.7 万 |
| 主要来源 | BDS、NM&S（Sage） | CHI、CSCW（ACM） | AJS、ASR、BJS | ICSE、FSE、TSE、MSR |
| 年份跨度 | 2004–2021 | 2003–2025 | 1975–2026 | 1987–2023 |
| 篇均词数 | 7,847（最短） | 8,701 | 13,995（最长） | 10,235 |
四库均取自同一 Zotero「各学科 Classic Papers」总库；同一提取管线（版面块段落 → 清洗 → 指标/keyness/n-gram → 人工精读），指标口径一致，所有引文经脚本核验。
1. 节奏层：四种呼吸方式¶
| 指标（每万词或%） | BDS | HCI | SOC | SE |
|---|---|---|---|---|
| 平均句长（词） | 26.8 | 23.7 | 23.6 | 18.8 |
| 句长 P50 / P90 | 20 / 44 | 20 / 39 | 18 / 41 | 16 / 34 |
| 长句占比（>30 词） | 33.1% | 23.0% | 26.4% | 15.3% |
| 短句占比（<10 词） | 17.4% | 16.0% | 20.9% | 28.7% |
| 分号 | 46.3 | 22.6 | 44.2 | 23.3 |
| 破折号 | 16.8 | 13.5 | 34.6 | 7.1 |
| 弯引号（scare quotes） | 26.1 | 50.9 | 55.9 | 30.3 |
| 缩写词（don't 等） | 0.0 | 2.7 | 7.4 | 1.2 |
| 问句 | 6.9 | 7.3 | 6.1 | 8.5 |
一眼区分法： - BDS 用分号思考——长句靠分号缝合多个论点，绝不口语化（零缩写）； - SOC 用破折号呼吸——插入语随时打断句子，且允许缩写词（四学科唯一普遍使用），散文肌理最松弛； - SE 用句号交付——P50 只有 16 词，破折号近乎禁用； - HCI 居中偏工程，但问句、引号比 SE 多（社群允许更多表演性）。
2. 人称层：谁在说话¶
| 指标 | BDS | HCI | SOC | SE |
|---|---|---|---|---|
| we /万词 | 37.8（最低） | 91.5 | 52.2 | 103.0（最高） |
| our /万词 | 13.4 | 34.4 | 18.1 | 40.5 |
| I /万词 | 11.6 | 16.8 | 15.8 | 8.8（最低） |
| 被动式（be+V-ed） | 83.5 | 72.1 | 64.7（最低） | 82.2 |
| "this article" / "this paper"（篇数） | 21 vs 8 | 5 vs 82 | 53 vs 21 | 16 vs 103 |
四种主语人格： - BDS：文章在说话（"This article argues..."），批判学者以单数 "I" 亲自现身；被动句悬置施动者——机制无名运行正是被批判的对象； - HCI：工坊在说话（"We present... we conducted..."），"we" 的动词库最丰富（found/conducted/present/describe/argue）； - SOC：研究者在操作——"we use/observe/argue"，被动最少（数据永远被主动处理）；但 AJS 摘要强制第三人称 "The authors"（正文与摘要人称分裂是社会学独有奇观）； - SE：团队在交付——we/our 双冠军，但 "I" 最少；动词全是工具动词（use/found/present/describe/conducted）。
3. 句式签名层：每个学科一台概念机器¶
| 模式（次/万词） | BDS | HCI | SOC | SE | 解读 |
|---|---|---|---|---|---|
| not simply/just/only...but | 2.9 | 1.5 | 1.6 | 0.8 | 概念翻转机：BDS 的批判引擎，SE 几乎不用 |
| rather than | 5.1 | 3.5 | 3.3 | 2.0 | 同上，同一光谱 |
| hedge: may / might / suggest | 15.6/6.9/7.4 | 16.6/7.6/8.8 | 13.7/5.5/6.5 | 14.6/4.5/5.7 | HCI 三项全部最高：小样本永远留余地 |
| in other words | 0.2 | 0.1 | 0.4 | 0.0 | SOC 的解释循环（理论→白话复述） |
| a set of | 0.9 | 1.4 | 0.9 | 2.6 | SE 的集合思维 |
| increasingly | 3.6 | 1.2 | 1.0 | 0.5 | BDS 的现代性进行时 |
| there is/are 存在句 | 8.4 | 10.0 | 10.3 | 10.3 | 各科相当（BDS 略低） |
同一个意思，四种句法（以"X 依赖 Y"为例）： - BDS："X is not simply a technical artifact but an assemblage of..."（否定重述） - HCI："Our findings suggest that X may depend on..."（hedge+发现句） - SOC："The effect of X persists net of Y"（净效应句） - SE："We use X to address Y. Table 2 shows the results."（工具+证据句）
4. 引用与证据层：知识靠什么站立¶
| 指标 | BDS | HCI | SOC | SE |
|---|---|---|---|---|
| 数字引用 [n] /万词 | 0.8 | 90.1 | 3.2 | 88.1 |
| author-date /万词 | 36.0 | 0.5 | 16.0 | 2.3 |
| et al. /万词 | 23.1 | 6.1 | 6.4 | 12.7 |
| p< 检验（篇数） | 3/27 | 39/94 | 12/79 | 35/114 |
| "consistent with"（篇数） | 4/27 | 30/94 | 45/79 | 41/114 |
| "net of"（篇数） | 0 | 0 | 13/79 | 0 |
| RQ 编号（篇数） | 1 | 14 | 0 | 45 |
| Threats to validity（篇数） | 0 | 2 | 2 | 48 |
| future work（篇数） | 10/27 | 46/94 | 28/79 | 80/114 |
证据文化的三层分裂： - 人文名（BDS/SOC）vs 编号（HCI/SE）：批判学科把对手名字挂在句子里（author-date + 高 et al.），工程学科把文献压进方括号； - SOC 的"与假设对话"（consistent with/net of/Model 1 递进）vs HCI 的"与人对话"（引语+参与者编号）vs SE 的"与工具对话"（accuracy/F-measure/数据集规模）； - 自首制度是 SE 独有：Threats to Validity 章节在 48/114 篇里按 construct/internal/external 三段清算自己——批判学科把同样内容写成 "limitations"（BDS/SOC 的 limitations 动块），语气是反思而非审计。
5. 体裁仪式层：论文的固定动作¶
| 动作 | BDS | HCI | SOC | SE |
|---|---|---|---|---|
| 开篇公式 | 宣言断言（"Data are a form of power."）/时事钩子 | "We present a study of..." | epigraph 对置/三连问 | "To understand X, we conducted..."/规模开场 |
| 摘要人称 | This article + I | We present... | The authors（AJS 强制） | We present/an approach that... |
| 贡献声明 | 无显式清单（贡献即论点） | contributions 小节+design implications | 理论贡献段（we argue） | bulleted contributions + "first study" 声明 |
| 方法登记 | 民族志 tactics | 参与者/报酬/伦理逐项 | 数据集+模型表 | 工序+数据集规模 |
| 收尾 | 对学科的规训呼吁 | design implications+future work | limitations+未来研究方向 | Threats→Related Work→Future Work |
6. 标题层：四种命名法¶
| 特征 | BDS (n=30) | HCI (n=96) | SOC (n=85) | SE (n=136) |
|---|---|---|---|---|
| 含冒号 | 63% | 55% | 60% | 30% |
| >10 词 | 60% | 52% | 51% | 33% |
| 完整问句 | 0% | 4% | 6% | 8% |
| 带引号 | 17% | 19% | 9% | 10% |
| 含数字 | 10% | 0% | 18% | 2% |
| The/A/An 开头 | 20% | 12% | 22% | 20% |
- BDS：概念杠杆 "The X of Y"（The politics of 'platforms'）+ 最长冒号副标题；
- HCI：引号+俗语戏仿+第一人称（"everyone wants to do the model work, not the data work"、Why Johnny Can't Prompt、Goodbye text, hello emoji）；
- SOC：隐喻主标题+年代范围副标题（...Lynching in the Deep South, 1882–1930）——时间范围即设计；
- SE：最短名词短语+工程痛点问句（Who should fix this bug?），近年向 HCI 戏谑风合流（Don't touch my code!）。
7. 四种声音：一页画像¶
| 一句话画像 | 句法签名 | 人称 | 证据 | 收尾 | |
|---|---|---|---|---|---|
| BDS | 写长句的公共知识分子 | not X but Y / rather than / increasingly | This article + I | author-date 拉扯 + 宣言 | 规训性呼吁 |
| HCI | 兴奋的工坊主持人 | We present / may-suggest / 引语并陈 | we（工坊） | N+报酬+p 值+参与者引语 | design implications |
| SOC | 与韦伯和 GSS 同时对话的理论统计学家 | consistent with / net of / in other words | we+摘要 the authors | 模型递进表+假设对话 | limitations+方向 |
| SE | 写清单的工程师 | To understand X / a set of / 16 词短句 | we+our（团队） | 数据规模+阈值+表格 | Threats→Future Work |
边界地带的启示：批判 HCI（Bardzell/Irani/Keyes/Dourish 线）在 HCI 库内形成 BDS 风格飞地（critique 密度 6.5 vs BDS 7.0，几乎持平）；Zeller 与 Hindle 在 SE 库内是修辞破格者（epigraph、设问、口语判词）；计算社会学（Macy/Centola/Watts 线）则正在向 SE 的实证仪式靠拢（RQ、robustness）。文体是光谱而非国界，但每个学科的重心清晰可辨。
8. 与 Dourish 的对照（衔接前一份报告）¶
把 Dourish 21 文本基线（32.4 万词）与本四学科语料并置：
| 模式（次/万词） | Dourish | BDS | HCI | SOC | SE |
|---|---|---|---|---|---|
| not simply...but | 9.2 | 2.9 | 1.5 | 1.6 | 0.8 |
| rather than | 8.2 | 5.1 | 3.5 | 3.3 | 2.0 |
| ways in which | 10.5 | — | — | — | — |
| 缩写词 | 少 | 0 | 2.7 | 7.4 | 1.2 |
Dourish 的签名句式密度高于四学科中的任何一个——连最接近他的 BDS 也只有其三分之一。这印证了前一份报告的定位：Dourish 不是"典型 HCI/BDS 写作者"，而是把批判句法推到个人极端的异数；反之，若想"写得像个学科"而不是"像个 Dourish"，BDS 库的平均密度才是校准参考。
9. 局限与可复用产物¶
局限：(1) 子库由 yunqi 手工圈定，代表"我的经典清单"而非随机样本；(2) BDS 库 27 篇偏小，docfreq 指标解读需谨慎；(3) SE 缺 19 篇 IEEE 快照论文；OCR/连字/水印噪声已按管线清洗但无法归零；(4) 各库年份分布不同（SOC 含 1975–1990 经典，BDS 全部 2004 后），部分差异是年代而非学科；(5) 段落级统计受单栏/双栏版式影响，句子级指标不受影响。
可复用产物（ZCodeProject/discipline_style_analysis/）：
- corpus_items.json / corpus_meta.json —— 347 条目与 314 篇入语料的键值、词数、年份、venue
- paras.json —— 段落级全文（键 = 学科_ ZoteroKey）
- 00_resolve.py…05_cjk_clean.py —— 解析→提取→指标→keyness→清洗全管线
- metrics.json / moves.json / keyness.json / ngrams.json —— 全部量化结果
- verify_quotes.py —— 引文核验（连字/换行/脚注容错）
下一步可选：把四学科风格画像蒸馏成 4 个润色 skill（对标本人的 dourish-style），或用 keyness 词表做"学科伪装检测器"（给一段文字判断它最像哪个学科写的）。