企业官网建设流程全解析

语言学离不开数学，这不是一句口号，而是现代语言学研究里每天都在发生的事。不管你做语音学、句法学、社会语言学还是心理语言学，只要涉及真实语言数据，就一定会碰到信号处理、统计建模、概率推断这些数学工具。从傅里叶变换到混合效应模型，这条路径几乎是当代语言学研究者绕不开的技术主线。

这篇文章主要面向三类人：正在读语言学专业、却搞不懂为什么课程表里有统计课的学生；已经进入语言学研究、但在处理实验数据时发现 Excel 图表不足以支撑结论的年轻研究者；以及做自然语言处理、语音识别等应用方向、想回头补一补基础理论的开发者。最值得关注的点是：数学在语言学里不是装饰，它直接决定了你能从数据里挖出什么结论，也决定了你的论文结论能不能经得起同行检验。

下面我不按教材顺序讲，而是按照“声音数据怎么变成数字 → 数字怎么变成统计模型 → 模型怎么回答语言问题 → 中间哪些地方最容易翻车”这条实际工作路径来拆。

1. 语言学里的“数学”不是选修课，而是基本功

1.1 语言材料的本质决定了必须用数学

语言学家面对的材料，本质上只有两种：一段声音，或一段文本。声音是连续的物理信号，文本虽然看起来是离散符号，但它在不同人群、不同语境下的分布，又带有明显的随机性。这两种材料都有一个共同点：它们不能靠肉眼直接读出规律。

打开一段录音，你能听到元音高低不同，但你没办法直接确定这个元音的“高”到底是高到哪个频率。翻开 500 个受访者的语料，你能感觉到方言差异，但你说不出这个差异是不是系统性的，还是抽样误差造成的。这些问题的答案，只有靠数学工具才能给出。

传统语言学重视描写，讲究把语言现象记录下来、分类好。但描写只是第一步。当研究进入“为什么会有这种现象”“哪些因素在影响这种现象”“两个方言之间的差异是否显著”这个层面时，就必须引入量化方法。这也是近二三十年国际主流语言学刊物最明显的变化：一篇没有统计分析的实证论文，很难通过审稿。

1.2 语言学里的数学不是一门课，而是一组工具包

很多人听到“语言学＋数学”就觉得要学高数、要会证明定理。实际上，语言学研究者真正高频使用的数学工具，范围很明确：

• 信号处理侧的傅里叶变换、短时傅里叶变换、滤波器设计，用于分析语音的频谱特性。
• 统计推断侧的假设检验、方差分析、回归模型，用于判断数据差异是否可信。
• 进阶建模侧的混合效应模型、广义线性模型、广义可加模型，用于处理语言数据的复杂嵌套结构。
• 理论建模侧的信息论、概率论、形式语言与自动机理论，用于解释语言结构本身的性质。

这些工具不是每个语言学分支都要全用。做语音学的必须熟悉傅里叶变换和频谱分析；做实验语言学的必须掌握混合效应模型；做理论句法的可能更常接触形式化和计算复杂度；做社会语言学的一定要用回归和分类模型。但无论哪个分支，你都需要至少具备“理解量化结论”的能力。

1.3 为什么现在才强调数学能力

这不是语言学变难了，而是语言学研究的方式变了。过去的研究，一个学者带着录音机去乡村调查，回来整理音系表，就可以发表。这种田野描写工作到今天仍然重要，但它已经不再是唯一的知识生产方式。现在，一个社会语言学项目可能收集了 200 个受访者、每人 50 个词条的录音，总时长几十个小时；一个心理语言学的反应时实验可能有 80 个被试、每人几千条试次。数据量到了这个规模，人工判读完全不可能，必须写脚本批处理、上统计模型。

另外，语言现象本身是多个因素共同作用的结果。发音时长可能同时受元音类型、语境、说话人语速、前后音段、重复次数等多重因素影响。传统的单因素分析方法没法处理这种多因素交叉作用，必须用回归类的模型框架。这也是混合效应模型能成为当下语言学统计主力的根本原因。

一句话总结这一节：数学不是语言学的对立面，而是语言学家处理真实材料的“外挂器官”。没有它，你连一段三秒的元音录音都讲不清楚。

2. 傅里叶变换：把声音变成可计算的数据

2.1 声音为什么需要“拆解”

声音是什么物理量？从传感器角度看，它是一串随时间变化的空气压力值。录音设备采样之后，这段压力波就变成了一串数字序列。问题是，这串数字序列本身很难直接回答语言学问题。

举个例子：普通话里“衣”和“乌”的差别，主要在于舌位前后和圆唇与否，这些发音动作最终会反映在声道的共振特性上。但如果你把“衣”和“乌”的波形放在一起看，普通人根本看不出明显区别，两条波形看起来都是乱七八糟的曲线。只有把这段时域波形转换到频域，计算出不同频率成分的能量分布，才能看出“衣”的高频共振峰位置和“乌”明显不同。

这就是傅里叶变换的核心作用：它把一个时域信号分解成若干个不同频率的正弦波的叠加。转换之后，你能看到这段声音在哪个频率上能量最强、在哪个频率上衰减得厉害。这个“频率—能量”的谱，才是语音学研究真正要用的数据形态。

2.2 傅里叶变换到底做了什么

用一句话概括：傅里叶变换把信号从时间域变到频率域。

原始录音是横轴为时间、纵轴为振幅的波形。经过傅里叶变换后，你得到横轴为频率、纵轴为能量（或幅度）的频谱图。如果一段声音里有一个 300Hz 的成分很强，频谱图在 300Hz 的位置就会出现一个峰。

但这里有一个关键问题：一段语音并不是稳定不动的。同一个元音在发音过程中，声带的振动频率会变化，共振峰位置也在动态移动。如果对整段录音做一次傅里叶变换，得到的是整段时间内的平均频谱，动态信息全丢了。所以语音分析里实际使用的是短时傅里叶变换（STFT）：把声音切成许多个小窗，每个窗内假设信号近似平稳，再对每个窗做傅里叶变换。

窗口长度是一个需要仔细设置的参数。窗口太短，频率分辨率差，频谱上峰不够清晰；窗口太长，时间分辨率差，元音之间的边界就模糊了。语音分析软件默认值通常能应付大多数情况，但做精细测量时，建议根据研究目标手动调整。

2.3 语谱图和共振峰：语音标注的数学依据

经过短时傅里叶变换后，把所有时间窗的频谱按时间顺序拼在一起，就得到语谱图。语谱图的横轴是时间，纵轴是频率，颜色深浅表示能量强弱。你可以直接在语谱图上看清楚一条一条的共振峰横带。这些深色横带就是共振峰，理论上对应声道的共振频率。

语音学里最常用的是前三个共振峰，记作 F1、F2、F3。F1 和舌位高低强烈相关：舌位越高，F1 越低。F2 和舌位前后、圆唇程度相关：舌位越靠前，F2 越高。所以语图中测量 F1、F2，就成了判断元音音色最可靠的操作手段。

实操时要注意几点：

• 采样率要足够。做语音分析至少用 22050Hz 的采样率，常见用 44100Hz。采样率太低，高频共振峰信息会被截断。
• 共振峰追踪并不总是全自动可靠的。噪声大、说话人口音特殊、音段过短，都可能导致追踪错误。我一般会在批量提取之前，先手动抽查几十个样本，对比自动测量值和语谱图实际位置。
• 共振峰数量设置要考虑性别和声道长度。成年男声和女声的声道长度不同，同一套追踪参数不一定都适用。

注意：不要直接相信软件默认提取的共振峰数值。先看语谱图，再听声音文件，确认追踪曲线没有跳到其他频率区域，再进入批量处理。这一步漏掉，后面整个数据集都可能被污染。

2.4 除了共振峰，傅里叶变换还用在哪儿

傅里叶变换在语言学里的应用远不止元音共振峰测量。它还广泛用于：

• 基频提取：声带振动的基本频率，即语音学里常说的 F0。普通话的声调、英语的句调，主要就是靠 F0 曲线来描述的。提取 F0 也依赖频域分析。
• 噪声分析：浊音和清音的区分，本质上是频谱中周期性成分和噪声成分的比例差异。
• 语音合成与识别：无论是传统滤波器组还是现代神经网络特征提取，底层都离不开频域变换。
• 方言口音比较：通过比较不同说话人在相同字音上的频谱形状，可以量化口音差异。

可以说，任何涉及“这段声音听起来像什么”的问题，第一步几乎都是把声音拆到频域里。

3. 语言学实验中的统计模型：为什么不能只看平均数

3.1 语言数据的独特之处

做过语言实验的人都知道，语言数据有几个让人头疼的特点。第一是嵌套结构：一个说话人发了很多个字，一个字可能出现在多个语境里，语境又可能来自不同实验材料。数据点之间不是互相独立的，同一个说话人的发音天然带有个人特质。第二是变量混杂：影响了反应时的因素可能包括词频、词长、是否熟悉、上下文预测性，而且这些因素彼此相关。第三是极端值多：受试按错键、麦克风瞬间爆音、反应时因为走神变成 3 秒，都是常见情况。

这些特点决定了，你不能简单地对两组数据进行 t 检验，然后根据 p 值下结论。t 检验默认数据是独立的，但语言数据里同一个被试的多个数据点根本不独立。直接把所有数据点当作独立样本去算，会严重夸大自由度，得出过于“显著”的结论。

3.2 回归模型是更顺手的框架

现在的语言学研究，基本共识是使用回归模型。回归模型的核心逻辑是：你有一个因变量（比如反应时、元音时长、共振峰频率），还有一组自变量（比如词频、语境类型、被试年龄、方言背景），模型试图用这些自变量来解释因变量的变化。

最简单的线性回归，数学形式其实不难理解：

因变量 = 截距 + 系数1 × 自变量1 + 系数2 × 自变量2 + … + 误差项

每个系数表示：在其他变量不变的情况下，这个自变量每变化一个单位，因变量平均变化多少。这个框架比传统方差分析灵活得多，因为你可以同时放入连续变量和分类变量，也可以加入交互项来考察两个变量是否共同影响结果。

3.3 回归模型输出里该看什么

用 R 或 Python 跑完回归后，你会得到一张系数表。新手容易只盯着星号看显著不显著，但有经验的用户会先看这几个东西：

• 系数方向是否符合理论预测。比如词频越高反应时越短，系数的正负号应该在合理方向。
• 系数大小是否有实际意义。一个变量的系数是 0.001 毫秒，即使显著，也说明影响微弱。
• 模型整体拟合情况，比如 R 方或条件 R 方，用来判断模型解释了多少变异。
• 残差分布是否正常。如果残差呈现明显喇叭状，说明方差齐性假设可能不满足。
• 有没有多重共线性问题。两个高度相关的自变量同时放进模型，系数会被互相拉扯，很难解读。

很多新手把“显著”当作研究的终点，实际上显著只是起点。一个显著的效应，还要继续追问：效应量多大？稳健性如何？换个说话人群体还会不会出现？这些问题靠一次回归是回答不完的。

4. 混合效应模型：处理个体差异的王牌工具

4.1 固定效应和随机效应的区别

混合效应模型，英文是 mixed-effects model，也叫多水平模型或分层模型。名字里的“混合”，指的是模型同时包含固定效应和随机效应。

固定效应是你关心的、希望在研究中重复验证的变量，比如实验条件、词频、声调类型。随机效应是你不想逐一解释、但必须纳入考虑的背景变量，最常见的两个是“被试”和“项目”（刺激材料）。

为什么要设随机效应？道理很直接：不同被试的反应时基线不一样。有人整体快，有人整体慢。如果模型不把被试差异纳入考虑，那么一个恰好来了几位反应极快被试的实验组，就可能被误判为“条件更有效”。反过来，项目的差异也要处理。有些词特别常用，反应天然快；有些词生僻，反应天然慢。这些差异不归因于你的实验操作，但你要把它们“吸收”掉，才能把真正的实验效应从噪声里分离出来。

4.2 一个实际的模型长什么样

以语音研究为例。假设你要研究普通话声调对元音时长的影响，邀请了 30 位说话人，每人读 100 个单字。因变量是元音时长，自变量是声调类型。如果你把所有数据混在一起跑 ANOVA，等于假装每一个字音都来自一个全新的、彼此无关的说话人，这明显不符合数据真实结构。

正确的做法是建立一个混合效应模型，把说话人当作随机截距：

library(lme4) model1 <- lmer( duration ~ tone + (1 | speaker) + (1 | item), data = speech_data )

这个公式的意思是：

• duration 是因变量，即元音时长；
• tone 是固定效应，我们想知道不同声调是否带来时长差异；
• (1 | speaker) 表示每个说话人拥有自己独立的基线水平；
• (1 | item) 表示每个字（或词语）也有自己独立的基线。

跑完模型后，你想知道声调是否显著影响时长。可以先做似然比检验，比较包含 tone 和不包含 tone 的两个模型：

model0 <- lmer(duration ~ 1 + (1 | speaker) + (1 | item), data = speech_data) anova(model0, model1, test = "Chisq")

如果检验的 p 值小于设定的显著性水平，才能说声调对时长的效应是统计上可靠的。

4.3 随机斜率：需要时再上，但别当摆设

很多刚接触混合效应模型的人，把模型简化成了“(1 | speaker) + (1 | item)”这一个老配方。这在多数场景下够用，但有一个潜在风险：它假设声调对不同说话人的效应大小是完全一样的。

这显然不一定成立。声调可能对一部分说话人影响大，对另一部分说话人影响小。如果你只放随机截距，这些个体化的斜率差异就会被强行压到误差里，可能导致标准误估计偏小，结论偏乐观。

更完整的做法是为关键固定效应按被试设置随机斜率：

model2 <- lmer( duration ~ tone + (1 + tone | speaker) + (1 | item), data = speech_data )

但随机斜率的代价是模型变复杂，收敛难度上升，而且数据量不足时容易过度参数化。实际使用时，我的建议是：如果你的设计是重复测量设计，且每个被试在每个条件下都有多次观测，那就值得尝试随机斜率；如果某个被试在某个条件下缺失数据，模型可能不收敛，那就退回随机截距模型，并在论文里说明。

混合效应模型的真正价值，是让你不再“把个体差异当作麻烦，而是当作结构”。个体差异不再是噪声，而是模型显式承认的层级结构。这也是它成为当代实验语言学标准方法的原因。

5. 不止傅里叶和混合效应：更广的数学工具图谱

5.1 信息论：语言结构可以用“熵”衡量

信息论在语言学里的应用，最早可以追溯到香农对英语文本信息量的估计。信息论里最重要的概念是熵（entropy），用来衡量一个系统的不确定程度。

在语言学里，熵的应用场景很直观。一个位置的词预测性越高，它的信息量就越低。拼音输入法的候选排序、语音识别里的语言模型打分、心理语言学里对阅读时间的预测，背后都是同一个逻辑：高频、高预测性的词，认知加工成本更低。

现在很多阅读实验研究，会把词在语料库中的信息量（以比特为单位）作为预测变量放进回归模型，用来判断“阅读时间是否受信息量驱动”。这已经是心理学和语言学的交叉前沿，而且比单纯的词频指标更精细，因为它同时考虑了上下文。

5.2 贝叶斯统计：从“显著性”走向“可信区间”

频率学派统计（以 p 值为核心）在语言学界仍是主流，但贝叶斯方法正在快速渗透。贝叶斯方法的优势在于：它可以直接给出参数的后验分布，你可以说“这个效应有多大概率落在这个区间内”，而不是只能给出一个容易误读的 p 值。

语言数据往往样本量不大、数据结构复杂，贝叶斯方法处理这类数据更加灵活。R 里的 brms 包就是专门用来跑贝叶斯混合效应模型的，语法和 lme4 非常接近，上手门槛不算太高。

当然，贝叶斯方法也有自己的成本：先验怎么设、链是否收敛、运算时间比频率派方法长不少。如果不是特别需要，可以先从频率派混合效应模型入手，等熟悉了再扩展。

5.3 广义可加模型与曲线类数据

语言数据里有一类特别常见的形态：非线性曲线。比如一个音节的基频曲线、共振峰轨迹、阅读时的眼动路径。这些数据不是单一数值，而是一条随时间变化的曲线。传统回归模型处理曲线数据比较吃力，除非你把曲线切割成多个时间点分别建模，但那样又会造成多重比较问题。

广义可加模型（GAM）就能很好地处理这种情况。它允许因变量和自变量之间的关系是平滑的非线性函数，直接对整条曲线建模。R 里的 mgcv 包，加上专门为时变数据设计的 itc 扩展包，在语调研究和语音韵律研究里越来越常用，部分国际期刊甚至已经开始要求声明 GAM 的平滑项参数选择过程。

5.4 计算语言学与形式语言理论

如果你走的是计算语言学方向，数学工具更不可能缺。上下文无关文法、自动机理论、乔姆斯基层级，这些概念本质上是数学结构。统计语言模型里的 n-gram 概率、隐马尔可夫模型、条件随机场，全部依赖概率论和线性代数。

这几年大语言模型兴起之后，词向量、注意力机制、Transformer 这些概念的背后都是矩阵运算和高维空间几何。虽然很多语言学专业的学生不需要亲手实现这些模型，但理解它们的基本数学原理，有助于判断模型的输出为什么是这个样子，以及在哪些情况下模型会系统性出错。

6. 完整实操链路：从录音到统计模型

6.1 实验设计和数据采集阶段就要想好数学

很多人到了数据分析阶段才想起统计问题，这是最容易走弯路的地方。一位语言学专业学生如果在实验设计阶段没有考虑“我需要多少个说话人、每个人读多少材料、材料怎么平衡”，后面跑模型时往往会发现：效应不显著，但说不清是效应真的不存在，还是统计功效不足。

参考经验值是：做反应时实验，每个条件下每个被试至少有 20 到 30 个试次；做语音产出实验，每个条件和每个说话人的组合至少要保证 5 到 10 个重复。样本量不是越大越好，因为每个说话人的录音和分析都要花费大量人工时间，但太少又会导致模型无法收敛。建议先做一次小规模预实验，用预实验数据估算效应量，再决定正式实验规模。

6.2 从录音到声学参数：常用工具链

语音分析最常用的工具是荷兰阿姆斯特丹大学开发的 Praat，免费、跨平台、可脚本化。基本操作流程如下：

• 录音或获取现有语料库音频，格式建议用 WAV，采样率 44100Hz 或 22050Hz。
• 在 Praat 里打开文件，生成 TextGrid，标记每个音段的起始和时间点。这一步可以手动标注，也可以用自动对齐工具辅助，但边界需要人工检查。
• 提取 F0、共振峰、时长、强度等声学参数。可以用 Praat 的菜单操作，也可以用脚本批量处理。批量处理一定要加异常值标记，比如基频提取失败时返回的 undefined 值。

如果没有手写脚本的习惯，可以先录制一个 Praat 脚本，或者使用现成的开源脚本，比如收集数据时，给每个文件命名的格式建议包含说话人编号、性别、方言点和材料编号，比如SP012_F_SH_032.wav。命名规范了，后面合并数据时会省非常多的体力。

6.3 数据处理：清洗永远先于建模

拿到一堆声学参数后，第一件事不是建模，而是清洗。清洗包括：

• 检查缺失值：Praat 提取失败的参数会被标为 undefined，要决定是删除还是插补。
• 检查极端值：时长超过 3 秒的元音、F0 低于 50Hz 的高尖峰，多半是提取错误，建议先删除再跑核心分析。
• 检查数据分布：连续变量最好画直方图，看是否严重偏态。偏态明显的可以取对数变换再入模型。
• 确认数据结构：每个说话人有多少数据点、每个条件下是否平衡，这些信息要和实验记录比对。

注意：数据清洗的每一步都要留痕。删除多少样本、为什么删除、删除后模型结论是否有变化，这些信息写论文时需要如实报告。审稿人对“选择性删除样本”非常敏感。

6.4 建立你的第一个混合效应模型

假设你最终的数据表叫phonetics.csv，包含列：speaker、item、tone、duration。用 R 的典型流程是：

library(lme4) library(lmerTest) library(emmeans) data <- read.csv("phonetics.csv") model <- lmer( duration ~ tone + (1 | speaker) + (1 | item), data = data ) summary(model)

lmerTest包会额外给出固定效应的 p 值，适合习惯显著性的研究者。如果模型出现“模型收敛失败”警告，优先做这几件事：

• 看数据量是否太少；
• 看自变量是否高度共线；
• 看随机效应结构是否过于复杂；
• 使用lmerControl(optimizer = "bobyqa")尝试换优化器；
• 对自变量做中心化处理。

跑完模型后，如果 tone 效应显著，再用 emmeans 包做事后两两比较。注意：多水平比较的结果也要做多重比较校正，不能只看原始 p 值。

6.5 结果解读时最容易犯的错误

统计结果出来了，不等于研究做完了。解读阶段最大的坑是因果推断过度。混合效应模型本质上是观测数据的相关性建模，你做的是实验设计也好、语料库分析也好，都要小心：受访者只是语言使用者，不是被操纵的实验对象。语料库数据里的相关关系，不等于因果关系。

另外，不要只报告“显著”和“不显著”。现在很多期刊要求同时报告效应量、置信区间或贝叶斯因子。你的结论里至少要说清楚：声调对时长的影响有多大，具体是哪些声调之间有差异，差异有多大毫秒，个体差异在多大程度上影响结果。这些信息才能让读者判断你的结论是不是重要的。

7. 常见瓶颈与学习路径建议

7.1 模型不收敛时，先别急着怪数据

模型不收敛是混合效应模型最常被讨论的问题。网上最常见的建议是“简化随机结构”。这个思路没错，但简化之前，先检查几件事：

• 自变量是否需要中心化。交互项加入后，变量间的相关性可能骤增，中心化可以明显改善收敛。
• 数据中是否有大量缺失组合。如果某个被试在某个条件下没有数据，随机斜率就可能无法估计。
• 是否使用了过小数的小数精度。有时把变量单位从毫秒改成秒，数值范围变小，优化器就更容易收敛。
• 是否真的需要最复杂模型。并不是所有随机斜率都必须保留，关键是看你的实验设计是否支撑得起这个复杂度。

如果以上都检查过，还是收敛失败，那就在论文里报告“简化版模型，因为它能收敛；完整版模型结果方向一致，但收敛失败”。这不是丢人的事，透明报告是学术界的正确做法。

7.2 数学基础薄弱，从哪里补

语言专业背景的学生，看到矩阵和积分容易犯怵。但按语言学研究的实际需求，你不需要学完数学系的所有内容。推荐的学习顺序是：

1. 先学会看公式结构，不要求会推导。理解一个线性公式中每个符号代表什么。
2. 补概率论基础：随机变量、分布、均值、方差、相关和回归。这些是统计模型的基石。
3. 学一点线性代数的直观理解：矩阵就是一张数据表，矩阵乘法就是多个变量同时变换，不需要做大量计算题。
4. 边用边学统计建模：先跑最简模型，再看文档、看报错、搜别人怎么解决，比先从教材第一页读到最后一页更有效。
5. 声音处理方向额外补信号与系统：重点是傅里叶变换的物理意义和语谱图读法。

实操层面，R 是当前语言学统计的主流平台，原因是生态完善：lme4、brms、mgcv、tidyverse 这些包让从数据清洗到建模的链路非常顺畅。建议每天花半小时读一份公开语音语料库的文档说明，再对照 R 教程跑一遍，一个月能建立基本手感。

7.3 语言学的数学还有一个“看不见”的作用

数学不仅给语言学提供工具，还在影响语言学的问题意识。当你知道可以用混合效应模型拆解个体差异时，你就不会再满足于“有一个发音特别标准的人这么发”这种孤例观察。当你知道可以用信息论量化语境预测性时，你就不再只关心语法正确与否，而会关心“为什么这个结构在真实使用中更常出现”。数学训练最大的回报，是帮你建立一种“数据感”：知道什么结论站得住，什么结论只是巧合。

不少年轻研究者对数学的抗拒，其实来自对“做错计算”的恐惧。但语言学研究里的数学不是纸面演算，而是与数据对话。模型结果不符合预期，不一定是你算错了，可能是数据告诉你之前忽略了一个变量；p 值不显著，也不一定是研究失败，可能意味着效应本身很小，或者样本量不足。这种把异常结果当作线索而不是失败的心态，比背会任何公式都重要。

回到最初的问题：语言学为什么离不开数学？因为语言本身就是一个在物理、认知、社会三个层面同时展开的现象。物理层面需要信号处理，认知层面需要实验设计和统计推断，社会层面需要模型来厘清群体差异和个体差异。傅里叶变换帮你看见声音里的结构，混合效应模型帮你从人与人的差异中挑出真正的语言规律。它们不是语言学的外来入侵者，而是这门学科走向精确化、可验证化时自然长出来的工具。

如果你现在正准备开始一个语言实验，我最具体的建议是：先下载一个语料库样本，用 Praat 提取一个元音的共振峰，再在 R 里跑一个最简混合效应模型，哪怕用的不是你自己采集的数据。把这条链路完整走通一遍，你对“语言学为什么需要数学”这个问题，就有了比任何教材都更实在的答案。