中文文本的量化美学评价

量化文学性评价（文本的量化美学评价）理论框架

作者：歆棠（刘林鑫） 邮箱：xinlianshu@petalmail.com

研究定位：本研究由兴趣与直觉驱动，核心贡献在于理论框架设计——提出一套将符号诗学概念转化为可计算指标的体系结构。算法具体实现（分词器选择、模型参数、评分函数形式等）仅为该框架的参考实现，而非最终定论。后续研究者可在此框架下自由替换、优化各子模块的具体计算方法。

摘要

本文提出一种面向中文文学文本的统一量化评价模型——量化文学性评价模型（Quantitative Literary Evaluation, QLE）。该模型以”信息密度×陌生化/混沌”三项制衡为“文笔张力项”，以”建筑美·音乐美·意境美”加权几何平均为形式-内容维度，辅以时代隔离基准、引用诊断机制与字数归一化函数，实现对跨文体文学作品的客观、可复现、连续性评分。框架定位于符号诗学的模式论层面并尝试向解释论迈进，将大语言模型（LLM）的内部表征——困惑度、注意力分布等——直接转化为美学评价指标。

课题缘起与问题意识
符号诗学理论基础
核心公式与总体架构
三项制衡维度详解
“三美”加权几何平均架构
时代隔离基准与社会系数
引用诊断机制
字数归一化函数
性质保证与理论自洽性
量化文学性可视化框架
预实验设计路线
局限性与未来方向

一、课题缘起与问题意识

1.1 研究背景

文学评价长期以来依赖批评家的主观判断，其结论往往受个人偏好、时代语境与”经典效应”的影响。计算人文领域的先驱们——从 Birkhoff（1928）的美学度量公式到 Max Bense 的信息论美学——尝试将量化方法引入审美领域，但既有研究主要面向视觉艺术与音乐，对文学文本的专门性处理不足；且未区分形式与语义维度，更未涉及”社会变迁系数”与分层评价结构。

近年来，自动化诗歌评分（Gao et al., 2023; Koziev, 2025; Sawicki et al., 2025）与认知文体学（Kurzynski, 2024, 2025）取得进展：前者侧重教育场景中的多维度打分或格律韵律的形式检测，但缺乏理论自洽的指标体系；后者使用 LLM 困惑度作为”陌生化”的计算代理，但聚焦宏观文体差异（如”毛文体 vs 文学”）而非单篇作品的审美评价。

与本课题直接相关但路线不同的近期成果另有两条：Moëll (2026) 以 LLM 推理轨迹抽取”文学质量”的隐含标准并划分质量层级（LLM-as-judge 路线，无显式公式，且独立发现”来源识别会虚高评分”）；Kameya et al. (2025) 以语义网络的”扩散激活”建模读诗并预测审美愉悦（认知心理学路线，英文诗）。此外，中文古典诗”意境”的自动识别已有离散分类式尝试（Liang, 2015; Cui, 2022），但均为”将诗归入某意境类别”，而非跨文体的连续美学评分。上述成果与本框架的边界详见 §4.4.5 与 §5.6.3。

1.2 核心问题

本课题试图回答以下问题：

能否构建一个统一的、可计算的框架，对跨文体的中文文学作品进行客观的文学性量化评价？

具体分解为：

如何定义并计算”陌生化程度”？——引入 LLM 困惑度作为代理指标。
如何避免高困惑度等同于”无意义晦涩”？——引入混沌指数 C 作为制衡项。
如何衡量文字的精炼程度？——引入信息密度 D。
如何处理不同文体对形式与内容侧重的差异？——引入加权几何平均架构。
如何排除”经典效应”带来的时代偏差？——引入时代隔离基准。
如何处理文本间性（引用）对评分的影响？——引入引用诊断机制（§7）。

1.3 开创性与创新性

创新点	前期成果覆盖情况
“信息密度×陌生化/混沌”三项制衡模型	Kurzynski 仅用困惑度单向衡量陌生化；D·S/C 同时纳入信息承载效率、形式偏离度与语义清晰度，构成完整的三维张力结构
“三美”加权几何平均架构	现有研究或将形式与内容割裂处理，或简单加权求和； $B^{\alpha}\cdot M^{\beta}\cdot I^{\gamma}$ 强制不许偏科且允许文体自适应
社会系数（时间变迁项）	几乎无人将大模型训练语料库的历时变化作为文学评价的社会基准引入公式
“经典效应排除”的时代隔离机制	现有诗歌评分多依赖人工标注的经典作品数据，天然带有经典偏好；本框架从算法层面解耦”时代光环”
跨文体统一评价	现有工具多针对特定体裁（格律诗、十四行诗等）；本框架覆盖对联→现代诗→散文的连续谱系
“引用诊断”的分段独立计算机制	几乎未见前期成果处理文本间性对评分的影响
“意象交互密度”作为意境核心指标	现有研究多将隐喻/意象视为孤立修辞单元计数；最接近的 Kameya et al. (2025) 扩散激活网络立足认知心理学而非意境，中文”意境”研究（Liang, 2015; Cui, 2022）亦止于离散分类。本框架强调意象间的结构关系与网络效应，以连通度/聚类系数给出连续评分，从”修辞陈列”跃升至”意境构建”的结构层面

二、符号诗学理论基础

2.1 形式论：陌生化与诗性功能

俄国形式主义的核心命题是：文学性（literariness）在于形式的陌生化。什克洛夫斯基（Shklovsky, 1917）提出”陌生化”（остранение / defamiliarization）理论——艺术的目的是让感知变得陌生，延长感知的过程与难度。雅各布森（Jakobson, 1960）进一步提出语言的六种功能中，诗性功能指向”对客体本身的关注”，即语言形式自身的审美价值。

本框架中的 S（陌生化指数）、B（建筑评分）、M（音乐评分） 直接对应这一传统：

S 衡量文本偏离日常语言惯例的程度——即什克洛夫斯基意义上的”感知难度”。
B 与 M 分别捕捉结构形式美与音律形式美——即雅各布森意义上的”诗性功能”的具象化维度。

2.2 结构论：能指-所指关系与最小意指单位

布拉格学派（Mukařovský, Trubetzkoy）与巴黎学派（Greimas, Todorov）将文学视为符号系统，关注能指（signifier）与所指（signified）的关系。格雷马斯的符号矩阵与托多罗夫的最小叙述单位思想，强调文本的结构分析应从微观单元出发。

本框架中的 C（混沌指数） 对应这一传统：C 衡量”所指的可达性”——即读者能否从能指（文字表面）推理出所指（作者意图）。C 越大表示表意越模糊、所指越难抵达；C 越小表示文本清晰可理解。

$I$ 的意象网络分析（ $I_{flow}$ 动态 + $I_{picture}$ 静态） 的引入进一步强化了结构论层面的分析深度：它不再将意象视为孤立的修辞单元，而是将其置于网络结构中考察其关系与功能——对应格雷马斯符号矩阵中”关系先于实体”的核心主张。

2.3 模式论：第二模式系统与文化语境

洛特曼（Lotman, 1970s）的模式论符号诗学提出：文学是”第二模式系统”——它以符号系统建构属于自己的”世界模式”，且这种建构必须置于社会文化语境中理解。洛特曼的核心命题是：“艺术品的思想总是一个模式，因为它重新塑造了现实的形象。”

本框架中的以下组件对应模式论：

κ(t)（社会系数） 与时代隔离基准——承认文学评价不能脱离具体的社会文化语境，每一时代的”日常语言惯例”构成了该时代文学创作的参照系。
$I$ （意境评分）——将意境视为”世界模式的构建”：单个意象只是符号单元，而意象间的关联网络（动态 $I_{flow}$ + 静态 $I_{picture}$ ）才构成洛特曼意义上的”模式化功能”。

2.4 解释论：代码理论与解释项的独立化

艾柯（Eco, 1970s-80s）的解释论将文学评价本身视为一种符号生产行为——评价模型即”代码”，输出结果即”解释文本”。赵毅衡进一步提出”伴随文本”体系，强调文化惯例决定代码的有效性。

本框架的定位是：达到模式论层面，并尝试向解释论迈进。理由：

S/C 比率打通了形式（能指）与意义（所指），超越了纯形式论。
κ(t) 将社会文化语境纳入评价，体现了洛特曼的”交流功能”思想。
$I$ 从结构网络层面区分修辞陈列与意境构建，对应模式论中”艺术品的思想总是一个模式”的命题。
时代隔离基准体现了解释论对”代码由社会惯例决定”的核心主张——每一时代的日常语言构成了该时代文学评价的代码基础。

2.5 框架在符号诗学谱系中的定位

阶段	核心关注	与本框架的对应组件
形式论（俄国形式主义）	“纯粹的形式”、文学性、陌生化	S（陌生化）、B（建筑评分）、M（音乐评分）
结构论（布拉格/巴黎学派）	能指-所指关系、最小意指单位	C（混沌指数，所指的可达性）； $I_{picture}$ （静态意象网络的结构分析）
模式论（洛特曼）	第二模式系统、交流功能、文化语境	κ(t)（社会系数）、时代隔离基准、 $I$ （意境作为世界模式的构建）
解释论（艾柯）	代码理论、解释项的核心地位	整个评价模型即”代码”，输出 L 即”解释文本”；时代隔离基准体现”文化惯例决定代码”

三、核心公式与总体架构

3.1 总体公式

L = \kappa(t) · g(N) · (D·S/C)^{\phi} · (B^{\alpha} · M^{\beta} · I^{\gamma})^{\psi}

引用信息不进入评分公式，以引用诊断报告 F 随评分输出（§7）。

3.2 符号含义与取值范围

符号	名称	取值范围	说明
L	文学性评分	[0, +∞)	最终输出，可归一化到 [0,1]
D	信息密度指数	(0, 1]	H_word / log₂(V_vocab)，归一化后取值范围
S	陌生化指数	(0, +∞)，S=1 为中性锚点	对数困惑度比值（时代隔离基准，§4.4.2）；预实验简化式用 ln(V) 作替身分母 → 可 >1
C	混沌指数	[1, +∞)	局部断裂度，C = 1/coh_local（清晰度倒数，§4.5.1）
T	文笔张力	[0, +∞)	T = D·S/C，整体饱和归一化为 T_norm = T/(T+T0)，T0 为语料级标定中位数（§3.4）
B	建筑评分	[0, 1]	结构形式美感
M	音乐评分	[0, 1]	音律形式美感
I	意境评分	[0, 1]	动态流动 $I_{flow}$ × 静态定格 $I_{picture}$ 的加权几何平均（详见 §5.6）
κ(t)	社会系数	(0, +∞)	时代隔离基准的历时校准
g(N)	字数归一化函数	[0, 1]	N≥threshold时趋于稳定（可选）
φ	张力弹性系数	>0	调节 D·S/C 的影响力；当前取 φ=1（张力项与三美项等比重）
ψ	三美耦合系数	>0	调节三美乘积的影响力
α, β, γ	文体自适应权重	≥0, Σ=1	不同文体的三美侧重
δ	引用计权弹性系数	>0	引用诊断报告的聚合计权 $w=(1-r)^{\delta}$ （§7.2）

3.3 架构层次

量化文学性评价模型 (QLLE)
│
├── 核心公式（待验证）
│   L = κ(t) · g(N) · (D·S/C)^φ · (B^α · M^β · I^γ)^ψ
│
├── 三项制衡维度（形式-信息张力层）
│   ├── D: 信息密度指数（Information Density Index）[0,1]
│   │     ├── 核心：H_word / log₂(V_vocab) 比值
│   │     ├── 步骤：jieba 分词 → 滤标点 → 词频统计 → 香农熵计算 → 除以理论最大熵
│   │     └── 含义：每单位字数的有效美学信息承载量
│   ├── S: 陌生化指数（Defamiliarization Index）[0,1]
│   │     ├── 正式：P_model(T) / P_model(Corpus_t,daily) 比值
│   │     ├── 简化：ln(PPS_top20%) / ln(V_tokenizer) 比值
│   │     └── 含义：基于 LLM 困惑度的偏离日常语言程度（时代隔离基准）
│   ├── C: 混沌指数（Chaos Index）[1,+∞)
│   │     ├── 公式：1/coherence_local（§4.5.1）
│   │     ├── 局部：段内加权平均连贯性 + 全文连贯性（clause 嵌入余弦）
│   │     └── 含义：语义可推理性 / 表意清晰度（1 = 完全清晰）
│   └── D·S/C: 三项制衡比率（核心张力项）
│         └── 信息精炼 × 形式陌生 ÷ 语义模糊
│
├── 三美维度（加权几何平均，文体自适应权重 α+β+γ=1）
│   ├── B: 建筑评分（Architectural Score）[0,1]
│   │     ├── 对称性 Symmetry [0,1]
│   │     │   ├── 段内对仗（HanLP 依存树 + POS + 字数）[70%]
│   │     │   ├── 段级复沓（DTW 特征序列）[30%]
│   │     │   └── 全文对称（pairwise mirror + center）
│   │     └── 节奏 Rhythm [0,1]
│   │         ├── 自相关 ACF（FFT + 均匀等长特判）
│   │         └── 多周期正弦拟合（K=1,2,3 最佳 R²）
│   ├── M: 音乐评分（Musical Score）[0,1]
│   │     └── 押韵适度性、平仄分布、拗口程度
│   └── I: 意境评分（Imagery Score）[0,1]
│         ├── I_flow: 动态流动（世界线）——时间化注意力边 φ(δ)^p·g(lift)、场内重归一、断离
│         └── I_picture: 静态定格——复合边 φ(δ)·g(互选z) 网络，按节点归一密度×连通
│
├── 调节项
│   ├── κ(t): 社会系数（时间变迁函数）
│   │     └── 基于"时代隔离基准"的历时评价校准
│   ├── g(N): 字数归一化函数 [0,1]（可选，视预实验结果而定）
│   │     └── N≥threshold时趋于稳定；N<threshold时衰减
│   └── F: 引用诊断报告（不进公式，随评分输出，§7）
│         └── 原创框架与各段引文分别计分、按计权聚合
│
└── 性质保证
    ├── 唯一性（可复现）：给定相同模型与参数，同一文本输出唯一评分
    ├── 连续性（非哈希）：单字符变动→小幅度评分变化
    ├── 统一性（跨文体渐变评估）：对联→现代诗→散文的连续谱系
    └── 解离性（与个体私人情感价值相独立）：算法评价≠个人偏好

3.4 组装归一化与语料级标定

三美项 $B^{\alpha}M^{\beta}I^{\gamma}$ 天然 ∈ [0,1]；张力项 $T=D·S/C$ 因 $C\in[0,+\infty)$ （ $C\to0$ 时 $T\to\infty$ ）与 $S$ 无上界而无界。为使两项同量纲相乘，对张力项整体做饱和归一化（沿用 I 模块 $I_0$ 的标定惯例）。其中张力取：

T = \frac{D^{a} S^{b}}{C^{c}}, \qquad (a,b,c) = (2, 2, \tfrac{1}{2})

分量幂次是对数空间的配比（ $\ln T = a\ln D + b\ln S - c\ln C$ ，见 §4.3.1）：放大 D/S 的区分度、以 $C^{1/2}$ 宽容深邃难懂的文本。整体饱和为：

T_{norm} = \sigma(T^{\phi}) = \frac{T^{\phi}}{T^{\phi} + T_0}, \qquad T_0 = \text{median}(T^{\phi})

于是 $L = \kappa(t)\cdot g(N)\cdot T_{norm}\cdot (B^{\alpha}M^{\beta}I^{\gamma})^{\psi}$ ，张力项与三美项均落 [0,1]。

“语料”指什么（关键澄清）： $T_0$ （以及 I 模块的 $d_{hi}$ 、 $I_0$ 、 $I_0^{flow}$ ）所依赖的”语料”是固定标定语料库（calibration reference corpus），不是”本次待评的那批文本”。标定是一次性、带版本号的操作：在标定集上算出尺度常数后即冻结，作为模型参数长期使用。冻结之后，任何单篇文本都可独立评价，其分数不随”同批还有哪些文本”而变——唯一性（§9.1）成立。

标定集的选择与”精英偏差”：尺度常数必须在与评价对象同分布的标定集上计算。若评价对象是研究者本人的 14 年作品集，则以该作品集为标定集是正确的——标定集即评价总体， $T_0$ 代表”该作者作品中的中等张力”，用于对该作者作品的内部排序完全自洽。但若要把框架推广到”芸芸众生的平庸之作”，则必须改用有代表性的、跨越质量层级的通用文学语料作标定集：用高水平作者的文集去标定”典型文学张力”，再拿去评普通文本，会系统性压低普通文本的 $T_{norm}$ （精英偏差）。通用评价的标定集构建与 $\kappa(t)$ 的时代语料一样，留待未来工作。

四、三项制衡维度详解

4.1 D·S/C 的结构合理性

将信息密度 D 纳入制衡结构，形成 D·S/C 的三维张力：

分子 D·S（正向项）：信息精炼度 × 形式陌生化。两者相乘意味着——文字既要精炼无冗余（高 D），又要偏离日常语言惯例（高 S）。这符合”诗意在恰到好处的关联中”的直觉：精炼的文字承载陌生的表达，产生最大的美学张力。
分母 C（负向项）：语义模糊度。C 越大表示表意越混沌、读者越难推理作者意图。作为分母，它制衡分子的膨胀——再陌生化的文字若完全不可理解，评分也会下降。

4.2 极端情况分析

情形	D	S	C	D·S/C	评价
精炼+陌生+清晰	高	高	低	→∞	最优
精炼+日常+清晰	高	低	低	→0	平淡
冗余+陌生+混沌	低	高	高	→0	晦涩无物
精炼+陌生+混沌	高	高	高	中等	有张力但难懂

4.3 D：信息密度指数（Information Density Index）

4.3.1 定义

D = \frac{H_{word}(T)}{\log_2(V_{vocab})}

其中：

$H_{word}(T)$ 为文本 T 的词级香农熵（bits/word），计算公式为：
$H_{word}(T) = -\sum_{i=1}^{V} p_i · \log_2(p_i)$
其中 $p_i$ 是第 i 个词在文本中出现的频率， $V$ 为词汇量（不重复词数）。
$V_{vocab}$ 为文本的词汇量（unique word count），即分词后不重复的词数。
$\log_2(V_{vocab})$ 为理论最大熵值——当所有词等概率出现时的熵。

幂次说明：分量幂次 $(a,b,c)$ 等价于对数空间的分量权重（ $\ln T = a\ln D + b\ln S - c\ln C$ ），调节三者的影响力配比；外层饱和归一化是严格单调变换，只统一量纲、不改变排序——二者正交、不矛盾。当前取 $(a,b,c)=(2,2,\tfrac{1}{2})$ （见 §3.4）。

4.3.2 归一化原理

将原始香农熵除以理论最大熵，得到归一化的信息密度 D ∈ (0, 1]：

D → 1：词汇分布均匀、每个词都携带独特信息 → 文字精炼无冗余。
D → 0：少数高频词主导文本（如大量重复”的""了""是”）→ 文字拖沓或空洞。

归一化的优势在于消除了文本长度对熵值的绝对影响，使不同长度的作品可以在同一尺度上比较信息密度。

4.3.3 计算流程

分词：使用 jieba 等中文分词工具将文本切分为词序列。
过滤标点：剔除不含汉字/字母/数字的词（标点不是”文字”，计入词频会系统性压低 D，且压低幅度随文体变化——标点密度古典诗 > 新闻 > 散文——形成隐性文体偏差）。
词频统计：统计每个词的频次，构建词频分布。
香农熵计算：按公式 $H_{word} = -\sum p_i · \log_2(p_i)$ 计算。
归一化： $D = H_{word} / \log_2(V_{vocab})$ 。

4.3.4 辅助指标：TTR（Type-Token Ratio）

TTR = \frac{V_{vocab}}{W}

其中 (W) 为分词总数。TTR 是计算文体学中的经典指标，衡量词汇丰富度。与 D 互补：

TTR 关注”有多少不同的词”（多样性）。
D 关注”这些词的分布有多均匀”（信息效率）。

4.4 S：陌生化指数（Defamiliarization Index）

4.4.1 理论基础

什克洛夫斯基的”陌生化”理论指出：艺术的目的是让感知变得陌生——但这个”陌生”是相对于当时当日的日常语言惯例而言的。2013年的一副对联若使用了当时罕见的修辞手法，其陌生化程度应被充分认可；而同一手法若在2026年已成为陈词滥调，则不应获得同样的 S 值。脱离时代语境谈”陌生化”，等于用今天的语言习惯去评判昨天的创新，或用昨天的标准去苛求今天的表达。

陌生化的”习惯”还有第二个坐标轴：体裁惯例。日常语言之外的自动化感知更集中地沉淀在各文体的套路里——古风中的月/柳/残灯、评测文中的参数罗列，都已是各自形式传统内的”陈词滥调”。一篇仿作可以做到词符层面意外度不低（模型未见过该文本），却在风格层面零陌生化（每一句都在体裁套路之内）；反过来，题材新词（科技评测的行话）词符意外度很高，但那是题材新颖而非文学陌生化。因此陌生化在理论上应分两层度量：

S = S_{diction}^{w_1} \cdot S_{style}^{w_2}

$S_{diction}$ ：措辞层——相对时代日常语料的词符意外度（§4.4.2 正式式）；
$S_{style}$ ：风格层——相对体裁惯例的总体意外度，“这篇作品在它所属的形式传统里说了多少意料之外的东西”。

状态声明（诚实标注）：风格层 S_style 的理论与公式如上定案，但本研究暂取 $w_2 = 0$ （即 $S_{style} \equiv 1$ ）——可靠的实现（风格条件化困惑度，见 §4.4.6）需要构建外部体裁参考语料并为每种文体标定基准常数，超出个人研究者在算力、资源与时间上的当期预算。此简化等价于假设”所有待评文本的风格层陌生化为中性值”，对同体裁内部排序无影响，但跨风格比较（如格律仿作 vs 原创意象写作）会系统性高估仿作——这是当前口径的已知边界，使用排名时须知。

4.4.2 措辞层正式公式（时代隔离基准版）

S(T, t) = \frac{\ln(\text{PPS}_{top20\%}(T))}{\ln(\text{PPS}_{top20\%}(\text{Corpus}_{t,\text{daily}}))}

其中 $\text{PPS}_{top20\%}(\cdot)$ 为”逐 token 困惑度 top 20% 峰值的几何平均值”，作品与时代日常语料采用完全同构的提取方式（相同的滑动窗口、相同的 top-20% 选取与几何平均）。

当前口径：以当代日常语料标定分母常数 $s_{base} = \ln(\text{PPS}_{top20\%}(\text{Corpus}))$ （与作品端完全同构的滑窗提取、汇池取 top-20% 几何平均）；被评文本暂按 2026 年作品处理。跨时代（如古代经典）的公平比较需 $\kappa(t)$ （§6.3），暂不启用。

约分说明：若显式写出分子分母（各除以同一模型的 $\ln(V_{tokenizer})$ ），见 §4.4.3 预实验简化式，该项因分子分母相同而直接约去——正式公式是纯粹的”对数困惑度比值”，词表大小不再出现。

取值范围： $S_{formal}\in(0,+\infty)$ ，无上界。 $S=1$ 为中性锚点（文本与时代日常语言同等陌生，即”零陌生化”）； $S>1$ 表示陌生化（比日常更偏离）； $S<1$ 表示比日常更套路化（陈词滥调）。（幂次与外层饱和归一化正交，见 §4.3.1。）

与预实验简化式取值范围不同的原因：预实验简化式 $S_{norm}$ （§4.4.3）以 $\ln(V_{tokenizer})$ 作”缺时代基准时的替身分母”，把值硬约束到 [0,1]；正式式改用时代日常语料的 $\ln(\text{PPS}_{top20\%})$ 作分母，天然无上界。差异源于分母性质（词表上界 vs 时代语料）而非公式结构——二者结构同构，仅分母替换。

逻辑链条：

困惑度的本质：困惑度衡量的是”模型对一段文本的意外程度”——文本越偏离模型的预期，困惑度越高。
时代差异的来源：不同年代的文本在同一个模型上的困惑度天然存在系统性差异。年代越久远或语言风格越特殊的语料，困惑度越高（因为模型训练数据中该类样本较少）。
归一化的必要性：如果不做归一化，一篇2013年的对联和一篇2026年的现代诗即使具有相同的”相对陌生化程度”（即相对于各自时代的日常语言偏离了同样的幅度），也会因为年代差异而得到不同的绝对困惑度值。
比值消除偏差：通过将作品的困惑度除以其时代日常语料的平均困惑度，我们消除了”年代本身带来的困惑度基线差异”，只保留作品相对于其时代语言的额外偏离——这正是”陌生化”的本质含义。

4.4.3 预实验阶段的简化方案

在预实验阶段，若所有待评文本均来自同一时期（如2026年），则分母 $P_{model}(\text{Corpus}_{t,\text{daily}})$ 对所有作品相同，可暂时省略。此时使用归一化困惑度作为 S 的代理：

S_{norm} = \frac{\ln(\text{PPS\_top20\%})}{\ln(V_{tokenizer})}

其中：

PPS_top20%：逐 token 困惑度的 top 20% 峰值的几何平均值。取 top 20% 而非均值，是为了捕捉关键陌生化时刻（即什克洛夫斯基意义上的”感知难度峰值”）。
$V_{tokenizer}$ 为 LLM tokenizer 的词表大小。 $\ln(V_{tokenizer})$ 是理论最大困惑度的对数——当模型对所有 token 完全不确定时的困惑度。

归一化后 S_norm ∈ [0, +∞)（可 >1：top-20% 峰值困惑度可能超过词表大小 V，故 ln(V) 并非严格上界；其无界性由文笔张力 T 整体归一化吸收，见 §3.4）。值越高表示文本在模型看来越”意外”、越偏离常规语言模式。

4.4.4 困惑度计算技术细节

使用滑动窗口策略对全文进行困惑度计算：

窗口大小：128 字符（适配模型的上下文窗口）。
步长：96 字符（保证窗口间有重叠，避免边界效应）。
温度参数：temperature=0（确定性输出）。
logprobs：获取每个 token 的对数概率（自然对数），转换为困惑度 $PPS = e^{-\text{logprob}}$ 。

4.4.5 与 Kurzynski (2024, 2025) 的关系与区别

Kurzynski 在两篇论文（Perplexity Games, 2024；Cognitive Stylometry, 2025）中均使用 LLM 的困惑度作为”陌生化”的计算代理——文学语言在针对日常（或特定历史）语料微调后的模型上产生更高的困惑度峰值，即”非异常性惊奇”（non-anomalous surprise）。本框架与其的区别在于：

Kurzynski 聚焦于宏观文体差异（毛文体/政治话语 vs 文学），而非单篇作品的审美评价。
Kurzynski 未引入混沌指数 C 作为制衡项——高困惑度可能对应”有意义的陌生化”，也可能对应”无意义的晦涩”。本框架通过 D·S/C 三项制衡部分缓解了这一问题。
本框架的 S 采用时代隔离基准归一化（除以同年代日常语料困惑度，见 §4.4.2 与 §六），而 Kurzynski 是对单一历史语料微调后的绝对困惑度做比较，二者归一化逻辑不同。

4.4.6 风格层的实现路线（未来工作，本研究置 1）

$S_{style}$ 的首选实现是风格条件化困惑度：取同体裁的外部范文若干作 few-shot 前缀，再测同一文本的 PPS，定义

S_{style} \propto \ln \text{PPS}(T) - \ln \text{PPS}(T \mid \text{体裁前缀})

直觉：给判官先读几篇同体裁范文后，文本变得更可预测的幅度就是它对体裁惯例的服从度——仿作被范文 prime 后困惑度大降（在套路内），原创联结则几乎不受 prime 影响。该方案复用 S 现有的全部困惑度机制，不引入新模型或人工词表。

实现的前提与风险（诚实标注）：

参考集必须外部：古风用诗词选、评测体用评测语料；用作者自身文集会测成”自我重复”，是另一个概念；
体裁粒度：人工体裁标签过粗（“散文”同时容纳抒情散文与评测文），可靠实现或需风格聚类；
胡言乱语虚高：完全无视惯例的文本 $S_{style}$ 会很高——这由 C（表意有效性）制衡，D·S/C 结构天然防它；
常数规则：前缀集是新的跨篇常数，须与基准同生共死（跨篇常数须与标定基准同生共死）。

理论上，S 正式式本就是”相对参考集的意外度”：参考集取时代语料即时代隔离（ $\kappa(t)$ 的职责），取体裁惯例即风格陈熟——时代与体裁是同一条公理的两个正交投影，风格层不是新增公理。

4.5 C：混沌指数（Chaos Index）

4.5.1 定义

C = \frac{1}{\text{coherence}_{local}(T)}

取值范围 [1, +∞)，值越大表示局部越断裂。当 coh_local = 1（完全清晰）时 C = 1，张力 T = D·S（不发散）。

诚实标注（本研究的重要边界）：理论上，混沌指数应当包括对全文表意的度量——局部连贯无法区分”局部通顺但整体不知所云”的文本。但可靠的全局表意度量工具——无论是 LLM 判分、多样本投票还是结构化判据——目前尚不具备所需的稳定性；遵循”解离性”与确定性设计理念，本研究以局部连贯独立承担混沌制衡，“全文表意有效性”的可靠度量留给后来研究者进一步考虑。此举的代价（C 值域收窄、对整体破碎的惩罚减弱）已知并接受。

4.5.2 局部连贯性（coherence_local）

基于 clause 嵌入的余弦相似度，衡量相邻 clause 的语义连续性：

分句（clause 切分）：按句号、感叹号、问号、分号、省略号、逗号、换行切分（与 B/M 基本单元一致；现代诗以行为 clause，避免”句号稀少→clause 不足”被误判为完美连贯）。
编码：使用 SentenceTransformer（如 text2vec-base-chinese）将每个 clause 编码为向量。
相似度计算：计算相邻 clause 嵌入向量的余弦相似度，取平均值作为局部连贯性评分。
小样本：clause 数 < 2 时，局部连贯性取中性值 0.5（既不判”完美”也不判”混乱”）；短于 2 字的碎片 clause 不参与。

4.5.3 混合评分策略

采用”分段+全文”的混合计算方式：

分段局部连贯性：对每个语义段分别计算 coherence_local，按字数加权平均。
全文局部连贯性：对整个文本计算 coherence_local。
合并局部连贯性：(weighted_avg_segment_local + full_text_local) / 2。
最终 C 值： $C = 1/\text{merged\_local}$ 。

混合策略捕捉段落内部与全文两个尺度的局部语义连贯。

五、“三美”加权几何平均架构

5.1 公式

A = B^{\alpha} · M^{\beta} · I^{\gamma}, \quad \text{其中 } \alpha + \beta + \gamma = 1

三美谱系（理论改编说明）：“三美”承袭闻一多《诗的格律》（1926）为新诗提出的”音乐美、绘画美、建筑美”。本框架沿其三分结构，但以意境美（I）取代绘画美——闻一多的”绘画美”指辞藻的画面感，本框架将之升维为意象/意境的”世界模式构建”（对应洛特曼模式论），使之能覆盖散文、现代诗等非格律、非视觉性文本。这是一处显式取舍：闻一多三美针对格律新诗，本框架需覆盖对联→现代诗→散文的连续谱系，故将”画面美”泛化为”意境美”，音乐美（M）、建筑美（B）基本保留原意。

5.2 为何用加权几何平均而非简单乘积或求和？

加权：不同文体对三美的侧重天然不同（对联重建筑、现代诗重意境），固定等权会扭曲评价结果。
几何平均：任一维度为 0 则整体趋近于 0，强制不许偏科；同时避免了算术平均的”高分弥补低分”问题。

5.3 文体自适应权重配置

文体	α (建筑)	β (音乐)	γ (意境)	理由
对联/骈文	0.45	0.35	0.20	对仗与音律为核心
古典诗词	0.25	0.40	0.35	格律与意境并重
现代自由诗	0.15	0.20	0.65	意境表达优先
散文随笔	0.15	0.15	0.70	思想与情感为核心

权重可通过文体分类器自动判定，也可由评价者手动指定。

5.4 B：建筑评分（Architectural Score）

5.4.1 定义与公式

B = w_{sym} \cdot \text{Symmetry} + w_{rhy} \cdot \text{Rhythm}

其中 Symmetry, Rhythm ∈ [0, 1]，分别为”结构对称性”与”节奏呼吸感”的综合评分。B 采用加权算术平均——对称性与节奏性可互相补偿。

5.4.2 聚合策略层次

与 D·S/C 以及三美架构不同，B 的内部聚合策略根据属性层次做区分：

层级	策略	理由
微观子指标（同一属性内部）	算术平均	同一属性内的子指标属于”互补关系”。例如对仗评分中的树相似度、POS 序列相似度、字数对齐分——三者均衡量”对称性”的不同方面，允许互相补偿
宏观维度（跨属性）	加权算术平均	对称性与节奏性是两个有张力的维度：强烈的对称结构可能抑制自然的节奏流动（如严格的格律诗），而自由的节奏往往以牺牲对称为代价。因此两者采取加权补偿：一个维度的低分可由另一个维度的较高分弥补

5.4.3 文体自适应权重

文体	$w_{sym}$	$w_{rhy}$	理由
对联/骈文 (couplet)	0.75	0.25	对仗为核，节奏为辅
古典诗词 (classical)	0.50	0.50	对仗与格律并重
现代自由诗 (free_verse)	0.30	0.70	节奏呼吸优先，对称点缀
散文随笔 (prose)	0.20	0.80	句型节奏为主，对称不求刻意

5.4.4 对称性 Symmetry

对称性由两个层面混合计算，各占 50%：

\text{Symmetry} = \frac{\text{IntraCombined} + \text{FullSym}}{2}

(a) 段内对仗（Intra-Segment Couplet Score）

按文体规则切分段落（segment_poetry 按   分，segment_prose 按空行分），每个段落在 clause 级（分句级）上拆分为单元序列，再对相邻分句对 $c_i, c_{i+1}$ 计算对称性。

每一对的评分为三项子指标的加权平均：

\text{pair\_score} = 0.4 \cdot \text{ted\_sim} + 0.35 \cdot \text{pos\_sim} + 0.25 \cdot \text{char\_penalty}

ted_sim（依存树相似度，40%）：调用 HanLP CTB9_DEP_ELECTRA_SMALL 与 CTB9_POS_ELECTRA_SMALL 模型对两个分句分别做依存解析和词性标注，构建完整依存树。比较两棵树的递归结构：根节点 POS + deprel 匹配度占 50%，子节点序列对齐相似度占 50%（子节点间的替换代价由递归调用自身计算）。
- 失败时（HanLP 模型对文言解析出错）回退到 0.0。
- 解析结果经全局缓存：同一分句字符串只做一次 HanLP 推理。
pos_sim（POS 序列相似度，35%）：两个分句的词性标注序列的编辑距离相似度（Levenshtein），衡量语法功能的对应程度。
char_penalty（字数对齐惩罚，25%）： $1 - \frac{|\text{len}_1 - \text{len}_2|}{\max(\text{len}_1, \text{len}_2)}$ ，等长句得 1.0。

段内对仗分按段落字符数加权平均，得到 intra_segment_avg。

(b) 段级复沓（Stanza Repetition）

当文本有 2 个及以上段落时，对相邻段落计算 DTW 相似度。

每个段落按 clause 级拆分为单元序列，每个单元提取 6 维结构特征向量：

\mathbf{f} = [\underbrace{n_{chars}}_{\text{字符数}},\; \underbrace{n_{words}}_{\text{词数}},\; \underbrace{\text{noun\%}}_{\text{名词占比}},\; \underbrace{\text{verb\%}}_{\text{动词占比}},\; \underbrace{\text{adj\%}}_{\text{形容词占比}},\; \underbrace{\text{adv\%}}_{\text{副词占比}}]

名词/动词/形容词/副词比例基于 POS 标注（优先 HanLP，回退 jieba；不区分大小写）。相邻段落的特征向量序列经 DTW 对齐后取 $\exp(-\text{normalized\_distance})$ 作为相似度。

段内综合 $0.7 \cdot \text{intra\_segment\_avg} + 0.3 \cdot \text{stanza\_rep}$ （单段时退化为 intra_segment_avg）。

(c) 全文几何对称（Full-Text Symmetry）

在全文级别对 clause 序列计算两个指标，各占 50%：

镜像对称（Mirror）：对全文分句序列 $\mathbf{s} = [s_0, s_1, \ldots, s_{n-1}]$ ，计算位置 $i$ 与 $n-1-i$ 的特征向量指数相似度 $\exp(-\|f_i - f_{n-1-i}\|)$ ，取所有配对均值。
中心对称（Center）：前半段 $[s_0, \ldots, s_{\text{mid}-1}]$ 与后半段 $[s_{\text{mid}}, \ldots, s_{n-1}]$ ，逐位置 $i$ 比较 $f_i$ 与 $f_{\text{mid}+i}$ 的指数相似度。

两者均采用严格位置对应比较（pairwise），而非允许弯曲对齐的 DTW——因为全文对称衡量的是”结构元素的精确呼应关系”。

5.4.5 节奏呼吸 Rhythm

\text{Rhythm} = \frac{\text{R}_{acf} + \text{R}_{sine}}{2}

节奏分同样采用混合窗口策略：段内节奏（按加权平均聚合）与全文节奏各占 50%；短段（< 6 分句）的节奏分回退到全文节奏值。

(a) 自相关分析（Autocorrelation）

将 Clause 序列映射为字符长度数组 $L = [\text{len}(c_0), \text{len}(c_1), \ldots]$ ，计算归一化自相关函数：

R_{ACF}(k) = \frac{\sum_i (L_i - \bar{L})(L_{i+k} - \bar{L})}{\sum_i (L_i - \bar{L})^2}

具体使用 FFT 加速计算（Wiener-Khinchin 定理）。取 lag > 0 中的最大峰值 max_peak 与显著峰计数（|R(k)| > 0.3），综合评分：

R_{acf} = \min(0.7 \cdot \text{max\_peak} + 0.3 \cdot \text{significance\_bonus},\; 1.0)

均匀等长特殊处理：若所有分句等长（标准差 < 0.5），直接返回 $R_{acf} = 1.0$ 。因为完全均匀的句长分布本身就是最严格的律动模式（古典格律诗的特征），而非”无节奏”。

(b) 多周期正弦拟合（Sine Fitting）

对句长数组 (L) 做 (K=1,2,3) 组不同频率的正弦基线性回归：

\hat{L} = \beta_0 + \sum_{k=1}^{2K} [\beta_{2k-1}\sin(2\pi f_k t) + \beta_{2k}\cos(2\pi f_k t)]

其中 $f_k = k / n$ ，候选频率覆盖 $k=1, \ldots, 2K$ 。对每组 $K$ 用最小二乘法拟合，取最优 $R^2$ 作为评分。

正弦拟合 $R_{sine} \in [0, 1]$ ， $R^2 = 1$ 表示句长呈完美的周期波动（如 5-7-5-7 的交替模式）。

5.4.6 Clause 分割细节

Clause 级分割使用正则 [。！？；，…\n]+，即按句号、感叹号、问号、分号、逗号、省略号、换行分割。这一策略保证：

古典格律诗：每联按逗号拆为上半句与下半句 → 对仗评分捕捉”上对下”的平行结构
无标点现代诗：按空行拆为单独行 → 节奏评分以行为单位
散文：以分句为基本节奏单元

5.4.7 HanLP 依赖与文言解析局限

依存树相似度是句级对仗的核心子指标，但其质量高度依赖 HanLP CTB9 模型的解析能力。当前使用 CTB9_DEP_ELECTRA_SMALL 与 CTB9_POS_ELECTRA_SMALL，该模型在 Penn Chinese Treebank 9 上训练，覆盖现代汉语新闻语料。

对文言/仿古诗的解析局限：

局限	表现	影响
文言语法逆序	CTB9 模型对宾语前置、省略、使动用法等文言语法结构解析不一致	平行为联的上下句（如”岁近冯唐迁左右 / 神追海瑞步沉浮”）可能得到完全不同拓扑的依存树 → 树相似度趋近于 0
词性标注与分词	文言词汇的单字独立性（每个字可能独立成词）与现代汉语的双字词习惯冲突	POS 序列对齐度低，对仗评分的 35% 依赖于不可靠的词性匹配
回退机制	HanLP 失败时退化为 jieba 分词 + 无依存树 → ted_sim = 0	受影响的不止是对仗评分，还波及特征向量构造（段级复沓 DTW、全文对称）

建议改进方向（待实现）：

引入文言专门依存解析模型（如基于 GuwenBERT 的微调模型）。
为古典诗词设置独立的对仗检测规则（如以”字数等长 + 词性相对 + 声调相对”替代依存树相似度）。
使用大模型（LLM-as-judge）直接评估”上下句的对仗工整程度”作为 ted_sim 的替代。

5.4.8 实现缓存机制

整个 B 计算过程中，HanLP 的模型推理是主要性能瓶颈。为消除同一分句被重复解析的开销，采用全局字典缓存：

_parse_cache = {}

def _parse_clause(clause):
    if clause in _parse_cache:
        return _parse_cache[clause]
    # 调用 _HANLP_DEP + _HANLP_POS
    _parse_cache[clause] = (dep_out, pos_out)
    return dep_out, pos_out

pos_tag_clause 和 parse_clause_dep 均委托 _parse_clause，确保对同一字符串只做一次模型推理。

如需清除缓存（如切换语料后释放内存），可调用 _parse_cache.clear()。

5.4.9 极端情况行为

情形	Symmetry	Rhythm	B	解释
工整的格律诗（7言8句，联句对仗）	中高（~0.58）	1.0	~0.79	格律完美，但文言解析压低了对仗分
无标点自由诗	低（~0.21）	中高（~0.81）	~0.63	无句级对仗，但行频波动产生节奏
超长散文（100+ clause）	低（~0.16）	低（~0.18）	~0.18	无结构对称也无规律节律
单行文本（1 clause）	0	0	0	无足够单元
所有分句等长	中（长度相同可推高 mirror/center）	1.0	高	古典诗典型

5.5 M：音乐评分（Musical Score）

5.5.1 定义与公式

M = w_1 \cdot M_{\text{平仄}} + w_2 \cdot M_{\text{韵律}} + w_3 \cdot M_{\text{流畅}}

其中 $M_{\text{平仄}}, M_{\text{韵律}}, M_{\text{流畅}} \in [0, 1]$ ，分别代表文本的声调分布品质、押韵适度性和发音流畅度。三项采用加权算术平均——某一维度的不足可由其他维度的优势补偿，这符合音乐美的直觉：平仄单调的文本可能韵律工整、发音流畅，综合听感不一定差。

5.5.2 文体自适应权重

文体	$w_1$ (平仄)	$w_2$ (韵律)	$w_3$ (流畅)	理由
对联/骈文 (couplet)	0.5	0.4	0.1	格律与押韵并重
古典诗词 (classical)	0.5	0.4	0.1	格律与押韵并重
现代自由诗 (free_verse)	0.7	0.2	0.1	声调品质主导，押韵为辅
散文随笔 (prose)	0.7	0.1	0.2	声调与流畅为主，押韵不刻意追求

5.5.3 平仄 $M_{\text{平仄}}$

平仄检测基于 pypinyin 对每个汉字的拼音标注：一二声为”平”，三四声为”仄”，轻声不参与任何平仄运算。

M_{\text{平仄}} = \frac{\text{连平连仄得分} + \text{平仄平衡得分} + \text{分句间匹配得分}}{3}

（a）连平连仄检测

对每个分句提取平仄序列（过滤轻声），计算最长连续同向（全部”平”或全部”仄”）的运行长度。若最大运行长度 ≥ 5，触发指数衰减惩罚：

\text{penalty}(r) = 1 - e^{-(r-4)/3}, \quad r \geq 5

其中 $r$ 为最大连续同向长度。例如：

连续 5 个同向：penalty = 0.283 → 得分 0.717
连续 8 个同向：penalty = 0.736 → 得分 0.264
连续 15 个同向：penalty = 0.974 → 得分 0.026

连平连仄超过 4 个会导致听觉上的单调感（如同连续五个音符在同一个八度），惩罚曲线在 $r=5$ 处开始平缓后快速抬升，体现”偶尔连续可容忍、持续单调不可容忍”的美学判断。

（b）分句内平仄平衡

统计每个分句内”平”字的占比 $r = \frac{N_{\text{平}}}{N_{\text{平}} + N_{\text{仄}}}$ ，使用超线性对称惩罚：

\text{penalty}(r) = (2|r - 0.5|)^4

$r = 0.50$ （完美平衡）：penalty = 0，得分 1.0
$r = 0.55$ （轻微偏移）：penalty = 0.0001 → 得分 0.9999
$r = 0.70$ （中等偏移）：penalty = 0.0256 → 得分 0.9744
$r = 0.85$ （明显偏移）：penalty = 0.2401 → 得分 0.7599
$r = 0.95$ （严重偏移）：penalty = 0.6561 → 得分 0.3439
$r = 1.00$ （全部同向）：penalty = 1.0000 → 得分 0.0

四次方形式保证了少量偏移惩罚极少、偏得越多惩得越猛，且关于 50% 严格左右对称。

各分句的惩罚值按分句字符数加权平均后取逆（1 - avg_penalty）作为最终平衡得分。

（c）分句间平仄匹配（橡皮筋对齐）

对于相邻的两个分句 A（长度 m）与 B（长度 n，假设 m ≤ n），将 A 的平仄序列”均匀拉伸”到 B 的长度后进行逐位比较：

\text{对齐位置: } j \in [0, m-1] \rightarrow \text{round}\left(j \cdot \frac{n-1}{m-1}\right) \in [0, n-1]

对应位置平仄相反（一平一仄）→ 平衡 = 1.0
对应位置平仄相同 → 平衡 = 0.0
末字位置权重 ×2（末字的声调呼应最影响分句衔接的听感）

所有相邻分句对的加权平均得分为分句间匹配分。当文本只有一个分句时，此维度退化为 0.5。

5.5.4 韵律 $M_{\text{韵律}}$

使用十三道大辙对分句末字的韵母进行分类（基于 pypinyin 的韵母标注），统计每个辙类的出现频率。

十三道大辙映射表：

辙名	所含韵母	辙名	所含韵母
发花	a, ia, ua	怀来	ai, uai
梭波	o, e, uo	灰堆	ei, uei (ui)
乜斜	ie, üe (ve)	遥条	ao, iao
一七	i, ü (v), er	由求	ou, iu (iou)
姑苏	u	言前	an, ian, uan, üan (van)
中东	eng, ing, ueng, ong, iong	人辰	en, in, un (uen), ün (vn)
		江阳	ang, iang, uang

共 13 类，基准概率 $p_{\text{baseline}} = 1/13 \approx 7.7\%$ 。

评分方法：

提取所有分句的末字（过滤标点和轻声字），获取其辙类归属。
统计频率最高辙为”韵脚” $p_{\text{main}}$ ，频率前三辙为”前三韵” $p_{\text{top3}}$ 。
使用非对称适度性评分：

f(p) = \begin{cases} \max(0.5,\; 0.7 + 0.3 \cdot p/p_{\text{ideal}}), & p \leq p_{\text{ideal}} \\ 1.0, & p_{\text{ideal}} < p \leq p_{\text{thresh}} \\ \exp(-((p - p_{\text{thresh}})/\sigma)^2/2), & p > p_{\text{thresh}} \end{cases}

即：

低于理想值（押韵不足 → 错失潜在音乐美）：温和线性衰减，最低 0.7
介于理想值与阈值之间（适度押韵 → 最宜听感）：满分 1.0
超越阈值（过度押韵 → 听觉齁腻）：高斯式快速衰减

$p_{\text{main}}$ 与 $p_{\text{top3}}$ 各自评分后算术平均，作为 $M_{\text{韵律}}$ 。其中 $p_{\text{top3}}$ 的适度性参数相对 $p_{\text{main}}$ 放宽： $p'_{\text{ideal}} = 2.5·p_{\text{ideal}}$ 、 $p'_{\text{thresh}} = 2.0·p_{\text{thresh}}$ 、 $\sigma' = 2.0·\sigma$ ——前三韵是三个辙类的合并频率，天然显著高于单一韵脚（基准为 3/13 而非 1/13），用与主韵脚相同的阈值会把它压进”过度押韵”的高斯衰减区，故按合并宽度放宽。

文体自适应参数：

文体	$p_{\text{ideal}}$	$p_{\text{thresh}}$	$\sigma$
仿古/对联	0.15	0.55	0.15
现代诗	0.15	0.40	0.12
散文	0.15	0.35	0.10

$p_{\text{ideal}}$ 为理想押韵密度中心； $p_{\text{thresh}}$ 为各文体可容忍的最大押韵密度上限（超过后开始高斯衰减）。

小样本收缩：当末字总数 $N < 15$ （仿古为 10）时，韵律分按置信度向中性值 0.5 收缩： $\text{confidence} = \min(1, N/\text{threshold})$ 。

5.5.5 流畅 $M_{\text{流畅}}$

流畅度量三项障碍指标，取算术平均后的补值：

M_{\text{流畅}} = 1 - \frac{\text{声母冲突} + \text{字音三连重复} + \text{韵母过渡成本}}{3}

（a）声母冲突

相邻三字的声母相同会触发”绕口令效应”——舌头在同一发音位置反复起落，增加朗诵疲劳。检测所有长度为 3 的滑动窗口，若三个字符的声母相同则计一次冲突。

冲突率 = 冲突窗口数 / 总有效窗口数（过滤零声母字如”啊""爱”）。

（b）字音三连重复

同一音节（含声调）在 5 个字符内出现 ≥3 次 → 听觉笨重。例如”悠悠岁月”中”悠”出现 2 次（不触发），“慢慢慢”中”慢”出现 3 次（触发）。

惩罚率 = 触发窗口数 / 总窗口数。

（c）韵母过渡成本

基于元音主高度对韵母分类（0=低元音如 a/ia/an/ang；1=中元音如 o/e/en/eng；2=高元音如 i/u/v），检测相邻字符间的元音高度跳变（低↔高，跳跃 ≥2）。频繁的”低→高→低→高”交替需要口腔大幅调整，增加发音难度。

惩罚率 = 跳变相邻对数 / 总相邻对数。

5.6 I：意境评分（Imagery Score）

5.6.1 核心洞见

意境由多种意象（人物、景物、事物等）构成；意境的美感与稳固程度由意象之间的交互产生；若意象间的交互减少，意境则退化为单纯的修辞。据此，本框架将意境定义为文本构建”小世界”的能力——“芥子须弥”：微小的芥子能容纳巨大的须弥山，小中见大。这也是将闻一多”绘画美”升维为”意境美”的学理依据（见 §5.1 三美谱系）。

5.6.2 定义与公式

意境评分 I 由动态流动 $I_{flow}$ 与静态定格 $I_{picture}$ 两个维度合成，分别对应洛特曼”第二模式系统”的过程与结构两重面向：

I = \max\!\Big(I_{floor},\ \sigma\!\big(\,(I_{flow}^{norm})^{\alpha}\,(I_{picture})^{1-\alpha}\cdot(1+\eta\ln(1+|\Omega_{max}|))\,\big)\Big)

其中 $I_{flow}^{norm}=I_{flow}/(I_{flow}+I_0^{flow})$ 为动态流动的饱和归一化， $\sigma(x)=x/(x+I_0)$ 为饱和函数， $\alpha=0.5$ 为动静权重， $\eta=0.10$ 为规模奖励系数， $I_{floor}=0.10$ 为无意象地板， $|\Omega_{max}|$ 为全篇累计活跃意象数（规模奖励取 $\ln(1+|\Omega_{max}|)$ ， $+1$ 保证单一意象时奖励为零且 $|\Omega_{max}|=0$ 时有定义）； $I_0$ 、 $I_0^{flow}$ 为语料级尺度（各取中位数）。因 $I_{flow}$ 无界而 $I_{picture}\in[0,1]$ ，先对前者做饱和归一化，使静态维度真正参与判别。

量纲： $I$ 全程无量纲——约化距离 $\delta=d/d_{hi}$ 将唯一带量纲的嵌入距离归一化，故与 B、M 的 [0,1] 同量纲， $B^{\alpha}M^{\beta}I^{\gamma}$ 在物理上成立。

5.6.3 意象的抽取与判定（φ-加权自洽核心：无词表、无 LLM）

意象 = 原文用词（“一切景语皆情语”），而非预设词典。百科定义”意象是客观物象与主观情感融合而成的艺术形象”在本框架内的精确翻译：物象 = 名词候选；情感融合 = 与其他物象建立”恰到好处”关系的能力。

候选抽取：jieba 词性标注的名词、名动词、名形词、时间词、处所词、成语类（同前），不设任何人设词表。
自洽核心筛选（取代 LLM 判定）：在候选间建”注意力图”（见 §5.6.4），PageRank 的边权 = φ(δ)^p · lift——与交互阶段同一条美学核。于是：同域话题簇（如评测文的品牌黑话，彼此语义距离过近 → φ 低）无法通过美学核互相支撑，整体塌缩出局；跨域真意象（δ 落在峰值带）互相支撑成核。肘点切割（PR 降序最大跌落处，长度自适应下限）取凝聚核心。
指代消解：注意力天然涵盖指代绑定（its→law 即是注意力指代消解的著名例证）。

设计动机：LLM 判意象近乎不筛且不稳定；纯注意力凝聚无法区分”主题核心”与”意象核心”；φ-加权自洽核心使选择与交互统一于”诗意在恰到好处的关联中”这一条第一性原理，全程确定性、可解释、无黑箱。

5.6.4 动态流动 $I_{flow}$ ：世界线

将文本视为”语义 xy 平面 + 行文时间 z 轴”的时空体（chronotope，巴赫金）：意象是 xy 平面上的节点，随 z 轴上升而加入或淡出；意象间的交互随行文自然衰减、重构（新连与断离）。当意象群退化为”哑铃状”意象对（仅两意象相通、与外界不通）时，即表现为单纯的修辞。

“世界线”是对”意象世界随阅读时间展开”的诗意概括；其动态部分的数学结构即一张时序网络（temporal network）——节点（意象）有生灭、边（交互）权重随行文时间演化。

切句：诗以”节”为句、散文以句末标点为句——现代诗的一行仅相当于散文的逗号分句，以行为句会切碎意象团块。

边（注意力边，时间化织造）：

w_{uv}(z)=\varphi(\delta_{uv})^{p}\,g\big(\text{lift}_{uv}(\le z)\big),\qquad g(x)=1-e^{-x/a_0}

lift（注意力提升倍数）：候选词对间、后半天数层全头平均的自注意力占比，按”意象场内均匀分布”为基线归一（场内重归一，消除候选越多互注意力天然越高的密度偏置），对称化。
时间化织造（“读到哪、织到哪”）：lift_uv(≤z) 只累计已读位置发出的注意力——边随行文出生、加固；后续提及不再回望则相对稀释。阅读记忆的衰减不再由固定时钟 e^(−λΔt) 近似，而由注意力本身承载（注意力 = 内容自适应衰减：无关者自衰，共鸣者长存）。
复沓 S(n) 并入注意力：lift 的聚合天然累计重复相遇对，且模型内部的归纳头（induction heads）使重复词对注意力天然偏高——复沓信息已内含，不另设显式项。
δ_uv = d_uv/d_hi，d_uv = 1−cos（text2vec 嵌入距离）；p=2（同域簇刚度）；w<ε 断离（ε=0.01）。
核常数的体制规则：d_hi 锚定于”可能世界”——全部候选名词对距离的 p90，不随边体制变（注意力绑定分布有近邻偏置，不可作峰值锚）；σ = 注意力绑定词对距离分布的标准差 / d_hi（“衰减宽度 = 实际绑定分布的自然宽度”，当前 ≈0.149）。

逐句积分：

A(z)=\frac{\sum_{\text{活边}}\delta\,w}{|\Omega(z)|},\qquad coh(z)=\frac{|\text{最大连通分量}|}{|\Omega(z)|}

I_{flow}=\frac{1}{N}\sum_z \text{len}(z)\,A(z)\,coh(z),\qquad N=\text{总字数}

其中 $A$ 为人均交互面积（美感/总量）， $coh$ 为凝聚系数（稳固/反哑铃）。除以总字数使评分精炼敏感，体现”芥子须弥”。

5.6.5 静态定格 $I_{picture}$ （复合边 + hub 归一化）

纯嵌入距离版会退化为”集合齐整度”：嵌入空间中任意内容词对的距离大多落在 φ 峰带内，同质小集合（单一语义簇）恰好坐满峰顶得最高分，内部有子簇结构的意象场反而得分更低——与意象场美学相反。故以复合边重建：

w_{uv}=\varphi(\delta_{t2v}(u,v))^{p}\cdot g(\text{sel}_{uv}),\qquad \text{sel}_{uv}=\max\Big(0,\ \min\big(z_u,\ z_v\big)\Big)

其中 $\text{sel}_{uv}$ 为互选 z 分数（hub 归一化）： $z_u$ 是词对 lift 相对词 $u$ 在保留集内部的社交基线（行均值/行标准差）的标准分——“双方都在各自场内基线之上选择对方”才算桥。对万物均匀高看的 hub 词（品牌名、主题词）被自身行均值吸收，无法冒充选择性；而”太近”的同义对由 $\varphi(\delta_{t2v})$ 的上升段抑制（嵌入看得见语义贴近，注意力看不见）。两信号互补、近似正交，复合后方能有效区分”太近/恰到好处/太远”。

基线口径（实现要点）：社交基线必须以保留集内部的 lift 行计算（意象场的伙伴计场内），不能以候选全集行计算——保留集本就是按 lift 选出的，若以候选全集为基线，保留伙伴相对候选基线天然”高看”，hub 词的选择性残差反而存活。

\rho_{static}=\frac{\sum_{u<v}\delta_{uv}\, w_{uv}}{n},\qquad coh_{static}=\frac{|\text{强边最大连通分量}|}{n},\qquad I_{picture}=\rho_{static}\times coh_{static}

分母按节点数 $n$ 而非 $C(n,2)$ （消除对大保留集的二次稀释偏置）；尺度由组装层 $I_0$ 吸收。

5.6.6 指涉与共振：当前度量的美学边界

当前度量存在一对已知现象：讨论簇占优（读后感的元话语词群——作者/主角/因果律/字里行间——互相指涉，互选 z 天然偏高）与抒情并置的空静态（不互相指涉、只互相辉映的意象场近乎无影）。二者是同一枚硬币的两面，指向词与词之间两种不同的”在一起”方式：

指涉（reference）：文本中客观存在、可以量化的关联——词与词在注意力、句法、论说结构中互相指向。讨论文、读后感、说明文的词群以指涉为主。
共振（resonance）：更多依赖读者主动构建的关联——意象与意象之间不发生文本内的互相指认，而是在读者心中同时点亮、彼此辉映。它随读者的阅历与情感而变动（一个人深受触动的意境，另一个人可能无感）。

由此有一个尚待正名的分野：意象性名词建构的是”感性美""抒情美”，而谈论性名词建构的可能同样是美——“智性美""逻辑美”。当前以”互选注意力”为核心的复合边度量，捕捉的主要是指涉性互动；共振辉映在此度量下天然稀薄，这不是缺陷的完毕，而是度量边界的显影。

本研究的立场（诚实标注）：① 接受当前设计以指涉性度量承担 I 的主体——它是确定性可计算的，而共振的量化需要读者建模，超出单人研究的当期能力；依靠个人研究一次性令理论趋于完美是不可能的，把边界说清楚比掩盖它更符合本研究的精神；② 共振的间接检验与”智性美”的正名将依托人类排序实验（独立读者的两两比较）获得外部基准——若人类排序确认共振型文本的美学地位而本框架低估之，即为下一阶段研究的路标；③ 禁止以人工词表区分”谈论性/意象性”名词（瘤式设计红线），未来的区分必须来自可计算的结构信号。

5.6.7 相关前期成果与本设计的边界

意境评分 I（尤其静态定格 $I_{picture}$ 与动态凝聚 $coh$ ）在文献中的最近邻工作有三类，需显式划界：

前期成果	方向	与本框架 I 的区别
Kameya et al. (2025) 扩散激活网络	认知心理学，英文诗，以”失谐消解”（incongruity resolution）预测审美愉悦	立足认知过程解释而非符号诗学；本框架以意象网络的连通度+聚类系数为结构指标，锚定洛特曼模式论”意象网络=世界模式”，面向中文跨文体，产出可跨文本比较的连续评分
Liang (2015); Cui (2022) 意境自动识别	中文古典诗”意境”的离散分类（把诗归入某意境类别）	分类 ≠ 评分；本框架需要跨文体（对联→散文）的连续美学评分，且强调”交互密度”这一结构维度，而非贴意境标签
Moëll (2026) 文学质量隐含标准	LLM-as-judge（推理轨迹），英语，分质量层级	无显式公式与符号诗学锚点；本框架以确定性的意象网络计算替代纯 LLM 判断，二者互补（其 LLM 判断可作人工标注参照）

六、时代隔离基准与社会系数

6.1 问题本质：为什么需要排除”经典效应”？

当代大模型在训练时已吸收了海量历史文本。当用同一模型计算不同时代作品的困惑度时，会产生系统性偏差：古代经典的困惑度被压低（因为模型”见过”类似表达），导致其陌生化指数 S 偏低、文学性评分被低估；反之，当代先锋作品因模型未见类似表达而获得虚高的 S 值。

但更深层的问题是：“陌生化”本身是一个时代相对的概念。什克洛夫斯基的”陌生化”理论（形式论符号诗学的核心）指出：艺术的目的是让感知变得陌生——但这个”陌生”是相对于当时当日的日常语言惯例而言的。脱离时代语境谈”陌生化”，等于用今天的语言习惯去评判昨天的创新，或用昨天的标准去苛求今天的表达。

6.2 时代隔离基准（Era-Isolated Baseline）

核心思想：每篇作品的陌生化程度应相对于其创作时代的日常语言来衡量。

具体操作分为两步：

步骤一：确定”时代日常语言基准”

对于创作于年份 $t$ 的作品，选取该年份（或最接近的可用年份）的社会通俗语料作为基准——可以是新闻、社交媒体文本、官方出版物等非文学性日常语言。这一基准代表了 $t$ 年”普通人在说什么话”。

步骤二：计算相对困惑度偏离

用同一通用模型分别对”时代日常语料”和”待评作品”计算困惑度，取比值作为 S：
$S(T, t) = \frac{P_{model}(T)}{P_{model}(\text{Corpus}_{t,\text{daily}})}$

6.3 社会系数 κ(t)

\kappa(t) = \frac{P_{model}(\text{Corpus}_{t_0,\text{daily}})}{P_{model}(\text{Corpus}_{t,\text{daily}})}

或简化方案： $\kappa(t) = \bar{P}_{base}(\text{Corpus}_t) / \bar{P}_{base}(\text{Corpus}_{t_0})$ 。

其中 $t_0$ 为基准年（如2013年）。该系数补偿了不同年代文本在通用模型上的系统性困惑度差异，确保跨时代比较的公平性。

当前口径：构建分年代日常语料库并标定 $\kappa(t)$ 超出本研究当期范围，作为理论建构保留（§12.2），提示后续研究者必须考虑时代基准；当前 $\kappa(t)\equiv 1$ ，即暂不做历时校准。

6.4 与模式论符号诗学的对应

唐小林指出，模式论符号诗学（洛特曼）强调”第二模式系统”——文学以符号系统建构属于自己的”世界模式”，且这种建构必须置于社会文化语境中理解。时代隔离基准正是这一思想的计算实现：它承认文学评价不能脱离具体的社会文化语境，每一时代的”日常语言惯例”构成了该时代文学创作的参照系。

七、引用诊断机制（诊断报告，非评分项）

7.1 问题定义与设计立场

当一篇作品包含对经典文本的引用时，被引部分的文学性不应完全归属于原作者——大量引用经典的作品若照单全收，相当于把他人的文学成就”借来”为自己的加分项。

但另一面同样成立：引用是创作者的主观行为，拼贴与互文本身是一种艺术。本理论的形式论立场评价”文本作为成品”的品质；对引用强行介入评分，违背理论性质要求中的解离性。且分段计分无法认领整篇层面”框架×引文”的互文织造积分——那部分恰是拼贴者自己的创作（见 §7.2 数学附注）。

定案：引用信息以诊断报告形式随评分输出（引用占比 r、各段引文独立评分、框架占位符评分），不进入 L 公式；归属判断留给读者。以下分段计分与融合公式作为报告的聚合口径保留。

7.2 分段独立计算方案

每段被引文字独立成篇、按完整公式单独计分（不与其他引文拼合——拼合会人为制造段落间的断裂，污染 C 的判断）；原创框架在切除位置放置占位文字”【此处为引用内容占位符】“后再计分（避免悬空引语破坏框架的连贯性度量）；随后按字数加权融合：

F = \frac{N_{o} \cdot L_{o} + w \cdot \sum_i N_i \cdot L_i}{N_{o} + \sum_i N_i}

其中：

$L_{o}$ ：占位符框架的文学性评分（完整公式）；
$L_i$ ：第 $i$ 段引文单独成篇的评分（完整公式）；
$N_o, N_i$ ：框架与各段引文的字数；
$w \in (0, 1]$ ：引用计权系数，惩罚轻重的总旋钮。候选参数化 $w = (1-r)^{\delta}$ （ $r = \sum_i N_i / N_{total}$ 为被引比例， $\delta$ 为惩罚弹性），亦可取常数。

自引与外引同等对待：区分二者需要外部作者归属信息，且自引同样存在”以旧作新、按篇重复计入”的问题，故报告中一律计为引用。

数学附注（为何不折进总分）：L = T_norm·A 是乘积-饱和复合体，对部件做算术平均不等于在整体上计算（ $E[f(x)] \neq f(E[x])$ 的非线性传递）；改几何混合 $L = \prod_i L_i^{N_i/N}$ 可修复纯数学部分，但跨段互文积分的归属问题不是数学困难而是本体论困难——整体大于部分之和的那个”和”正是拼贴者的创作，任何分解式计分都无法在不动用整篇计算的前提下把它认领回来。故总分保持整篇口径。

7.3 “乘性因子”与”分段融合”的比较

方案	公式	特点
全局乘性因子（初版）	$L_{total} \cdot (1-r)^{\delta}$ ，其中 $L_{total}$ 是全篇统一计算的评分	简单直接；但被引部分的高分可能”污染”整体评分——如果引用了一段极高文学性的经典文本，全篇评分会被拉高
分段融合（修订版）	$\frac{N_{orig} · L_{orig} + (1-r)^{\delta} · N_{cite} · L_{cite}}{N_{orig} + N_{cite}}$	原创与被引独立评价，降权更精确；被引部分的高分仅按权重贡献，不会过度影响整体

结论：两者不等效。 全局乘性因子是对最终结果的”一刀切”打折，不分原创与被引的贡献来源；分段融合则先分别计算再加权合并，能更精细地控制被引部分的贡献度。分段融合优于全局乘性因子。

7.4 检测被引部分的方法

与经典文学数据库进行 n-gram 重叠度比对。
LLM-as-judge 识别明显引用段落（如”正如XXX所言……”等引导词）。
手动标注（预实验阶段可行）。

八、字数归一化函数

8.1 必要性讨论

逐项检查各组件对字数的敏感性：

组件	是否受字数影响	原因分析
D (信息密度)	已归一化	$D = H_{word}/\log_2(V_{vocab})$ ，显式归一化
S (困惑度偏离比)	基本不受影响	两个困惑度的比值，长度效应相互抵消
C (混沌指数)	基本不受影响	基于连贯性与推断置信度，与长度无关
B, M, I (三美评分)	可能受影响	⚠️ 长文本有更多段落来展现对称结构、押韵模式和意象网络；短文本（如对联）受限于字数，难以充分展开三美

8.2 结论

D·S/C 本身已对字数不敏感。但三美评分 B、M、I 可能存在隐性长度偏差。因此 g(N) 的保留价值取决于三美评分长度偏差的检验结果：

若检验证实三美评分对字数不敏感（即对联与散文在各自约束下能公平比较），则可移除 g(N)。
若存在显著长度偏差，则保留简化版：

g(N) = \min(1, (N/N_{threshold})^{\lambda})

其中 $N_{threshold}$ 为阈值（建议 20-50 字）， $\lambda$ 控制收敛速度。当 N ≥ threshold 时 g(N)=1；当 N < threshold 时线性衰减。

九、性质保证与理论自洽性

9.1 唯一性（可复现）

给定相同的模型、参数与输入文本，公式输出唯一的 L 值。所有子指标的计算方法均为确定性算法。

关于语料级尺度的唯一性： $T_0$ （文笔张力标定）、 $I_0$ （意境标定）等尺度常数属于”参数”的一部分，在固定标定集上一次性算出后冻结，不随评价批次重算。因此”只评一篇”与”多篇同评”得到的是同一个 L 值，不会因批次内其他文本的存在与否而改变。若未来更换标定集，应升版本号并重新标定，而非在评价时临时重算。

9.2 连续性（非哈希）

单字符变动仅引起小幅度评分变化：

D 的变化受限于词频分布的微小扰动。
S 的变化取决于该字符对困惑度的影响程度。
C 的变化由局部连贯性的边际效应决定。
B、M、I 的计算基于统计特征，具有平滑性。

9.3 统一性（跨文体渐变评估）

框架覆盖对联→现代诗→散文的连续谱系：

对联：高 α（建筑权重），D·S/C 受限于字数但可通过 g(N) 补偿。
现代自由诗：高 γ（意境权重），D·S/C 为主要区分维度。
散文随笔：γ 最高，I 中的静态定格 $I_{picture}$ （概念/哲思关联）起主导作用。

9.4 解离性（与个体私人情感价值相独立）

算法评价 ≠ 个人偏好。同一篇作品对作者可能具有不可替代的情感价值，但其文学性评分由客观指标决定——这并非否定情感价值，而是将”美学评价”与”情感依恋”解耦。

9.5 φ 与 ψ 的作用

这两个弹性系数允许在不同评价场景下调节形式张力项与三美项的相对重要性：

评估对联时：增大 ψ（三美权重），减小 φ（陌生化权重）。
评估实验性诗歌时：增大 φ，减小 ψ。
当前口径：φ=1。张力项分量幂次 (a,b,c) 是独立的调优参数（对数空间配比，见 §4.3.1），取 (2,2,½)（放大 D/S 区分度、宽容深邃难懂）。

十、量化文学性可视化框架

注：详细研究工作还未推进至此。

10.1 与现有文生图方法的区别

现有 text-to-image 方法将文本映射为像素级图像，属于跨模态生成。本方案基于符号排列组合（ASCII/Unicode/Emoji），本质上仍是文本层面的艺术表达：

离散性：每个字符是独立的符号单元，而非连续的像素。
可读性：可视化结果本身仍可被阅读为文字作品。
文化编码：Emoji 和颜文字携带特定的文化语义，构成第二层意指系统（巴特的”含蓄意指”）。

10.2 映射方案

“三美”维度	可视化策略
建筑评分 B	字符的空间对称布局——高 B 值对应严格的镜像/中心对称排列
音乐评分 M	字符的垂直节奏分布——高 M 值对应规律的上下起伏模式，类似五线谱
意境评分 I	意象网络图：每个意象为节点（用 Emoji 表示），意象间的交互关系为连线；静态 $I_{picture}$ 越高，网络越密集连通
D·S/C 比率	字符密度梯度——高 D·S/C 区域用密集的特殊符号表示”美学张力峰值”

10.3 三维延伸

若扩展到三维空间，可引入时间轴作为第三维度：

X-Y 平面：字符的空间布局（对应建筑评分）。
Z 轴：创作年份或困惑度值（对应陌生化程度）。
动态演绎：随时间推移的可视化演变，展示作者风格的历时变迁。

十一、预实验设计路线

引入人类主观评价排序与LLM评价排序作为验证后，目前理论框架设计的实验结果暂不理想，仍需进一步改进。

十二、局限性与未来方向

12.1 潜在挑战

困惑度的解释边界：高困惑度是否必然对应高文学性？需区分”有意义的陌生化”与”无意义的晦涩”。D·S/C 三项制衡部分缓解了这一问题，但 C（混沌指数）的计算精度是关键。
时代隔离基准的可操作性：构建分年代日常语料库存在技术门槛；简化方案（时代校正因子）可作为过渡。
意象判定与嵌入的计算复杂度：意象筛选为确定性计算（注意力探针 lift + φ-加权自洽核心，无 LLM 参与筛选），其精度上限取决于探针模型规模（当前 Qwen3-4B）与嵌入向量质量。
HanLP 对文言/仿古诗的依存解析缺陷：B 算法中句级对仗的核心子指标（依存树相似度 ted_sim）依赖 HanLP CTB9 模型，该模型在 Penn Chinese Treebank 9 上训练（现代汉语新闻语料），对文言语法结构（宾语前置、省略、使动用法）的输出高度不稳定。平行对偶的上下句常得到完全不同拓扑的依存树 → ted_sim 趋近于 0。此缺陷直接影响古典诗词的对称性评分，使 B 值中对仗部分被系统性低估。后续可通过引入文言专门解析模型或 LLM-as-judge 替代方案解决（详见 §5.4.7）。
单次造访意象的召回边界：只出现一次的意象（如《地铁有短浅的阶梯》的”阶梯/钟摆”）交互证据天然稀薄，是所有基于”交互强度”的方法（共现/注意力）的原理性边界——按”允许不完美”接受，不以人工规则补救。
超长文本的注意力窗口化（已实现）：全文 eager 注意力矩阵为 O(T²)，长文改为滑动窗口分治（window=1536、stride=768 的块带拼接，“先到先得”确定性写入）。已知近似：相距超过 window−stride 的跨窗词对交互记 0（保守估计，跨窗长程交互暂不可见）；窗口前向的 RoPE 相对位置使窗内距离与全局距离一致，无绝对位置损失。
意境的美学边界：尽管意象筛选已是确定性计算，意境本身仍存在”指涉 vs 共振”的度量边界（§5.6.6），需依托人类排序等外部基准持续检验。

12.2 后续研究方向

多语言文学评价扩展：将框架扩展至中英对比研究，检验跨语言泛化能力。
LLM 注意力机制可视化：探索 LLM 注意力权重的热力图作为”三美”可视化的数据源——注意力分布可能直接反映文本的结构美感与意象关联。
开源工具包构建：将框架封装为可复用的 Python 库，供学术社区使用与验证。
大规模语料验证：在更大规模的中文文学语料库上验证框架的区分度与鲁棒性。

《歆棠随笔集》永久网址：https://xintang.pages.dev/

本研究报告已归档入互联网档案馆，盗取无益。

作者：歆棠（刘林鑫）