盯着屏幕上那堆密密麻麻的词频表格，你是不是也怀疑过自己的眼睛？英语语言学语料分析本该揭示语言规律，可数据偏偏不按套路出牌——词频排名诡异、搭配结果荒谬，折腾一整天，结论连自己都不信。别急，你的分析工具大概率没问题，但踩着这三个坑，神仙软件也救不了。

先别急着下结论，语料分析常见问题这样避雷

　　后台经常收到这类留言：“我用BNC语料库跑了50万词，出来的高频词全是the、of、and，这能分析出个啥？”这其实是词频统计失真最典型的症状——你忘了做功能词过滤。英语里功能词占30%以上，不给他们洗澡，分析报告就是一堆废纸。记住：先停掉默认的词频表，手动添加停用词列表，把冠词、介词、连词踢出局。别迷信样本量，语料再大，噪音不除等于零。

　　另一个高频痛点：语料标注出错怎么办？有的朋友可能遇到过自己手标词性后，检索结果和预期南辕北辙。标注是根基，错一个标签，后续搭配、语义分析全崩盘。解决方案很简单：抽5%数据做人工校验，用Kappa系数算一致性。低于0.7，请重标。别信“机器自动标注完美无瑕”的鬼话，那玩意儿连反讽都分不清。

　　还有更隐蔽的——时间跨度不统一。如果你想研究近十年英语新闻中“climate”的搭配变化，却混入了1960年代的语料，词频统计失真就是必然。分析前必须锁定时间窗口，按年代分层取样。这一步偷懒，结论直接报废。

搭配分析陷阱：不是所有共现都是“搭配”

　　做搭配分析时，你会看到“strong + tea”共现很高，就认为它是固定搭配？错。这只代表它们在一起出现了多次，但可能是语料偏向茶文化报道导致的。真正的搭配要过两道关：互信息值≥3且t值≥2。英语语言学语料分析的精髓在于用统计显著性筛掉偶然共现，否则你会把“weather + fine”这种日常组合当作什么新发现。

　　另一个陷阱是忽略语域差异。同一个词在学术语料和口语语料里的搭配完全不同。比如“assume”在学术里常搭“that clause”，在口语里则更多搭“s/he didn't”。如果你把两者混在一起跑搭配分析，得到的是不伦不类的中间态，既不是学术也不是口语。解决方法是先按语域切割语料，分别做搭配分析，再对比差异——这才是绕过搭配分析陷阱的标准动作。

　　最后提醒：别拿小样本做搭配。少于50次共现的搭配，统计意义几乎为零。如果你的语料里“kick + ball”只出现8次，别兴奋，这可能是噪音。真正的搭配研究者会设定最低频次阈值，比如至少出现10次，互信息≥3。你照着做，结果才敢写进论文。

　　校正了分析路径就关掉软件去喝口水，别在这纠结。英语语言学语料分析是个体力活，但踩过这三个坑，你至少能省下80%的重改时间。下次跑词频前，先看一眼停用词列表。