第九章　语言写域：该改的地方改了，不该改的动了没有

语言习得的本质：语言写域的形成

——监管科学与标准化 × 毒理学 × 档案与数字保存的三源对撞

The Essence of Language Acquisition: Formation of Linguistic Write Domains

摘　要

语言习得研究习惯把输入看作“进入学习者的材料”，再讨论频率、注意、统计规律、反馈、互动、社会身份或神经可塑性如何改变学习结果。然而真实语言环境中的输入并不具有统一的更新资格：教师口误、儿童同伴语、地域变体、网络梗、讽刺、引语、第二语言口音、人工智能生成文本、文学实验性表达与正式书面语，都可能被学习者听懂、记住甚至成功复用，却不应该以同样范围改写其长期语言期望。反过来，一个非常低频但来源、语域和交际功能清楚的形式，也可能只应写入一个狭窄场景，而非被“低频”自动降权。由此，本题的困难不再只是“哪些输入更有效”，而是：一次已经被理解的语言遭遇，究竟有资格改写未来哪些情境中的语言模型？本章依 本书的三源对撞工序，将“语言习得的本质是什么”判为 What 型，采用三维度碰撞。以跨学科领域索引“”626 个已发布领域为候选底盘，排除本书既用学科与既有概念轴后，多轮随机生成三学科候选，并由人工依三家分位、去同脊、斜对立、可引原句、同批避重和敌意拓宽逐轮淘汰。前两轮强候选“概率与随机分析 × 智能体 AI × 危机管理”因本书已有“求证路由内生化”而淘汰；“强化学习 × 医疗质量 × 知识产权法”又因本书“记零位”“入判份额”等归因产线占位而淘汰。第三轮最终留下第 492 号监管科学与标准化、第 226 号毒理学和第 194 号档案与数字保存。三家分别把“证据是否适合某一决策”“暴露如何沿机制链产生有条件的效应”“记录的权威如何受来源、鉴定与多重 provenance 约束”放到不同位置。27 对交叉碰撞后，本章提出新存在物“限域写入事件”：一个语言样本已经被感知、理解并可在原情境中成功使用，但其长期学习效应只应进入一个受语域、说话人、任务、共同体或文体限定的更新范围，而不应自动改写其他匹配度不足的情境。由此提出“语言写域”：一次语言遭遇被允许改变的未来语言情境集合。系统级语言习得的本质，据此不是尽可能多地吸收输入，也不是越可靠的来源越多写入，更不是泛化越广越成熟，而是逐步获得对输入“写到哪里”的分配能力：该全局化的证据能够跨场景稳定更新，该限域化的证据被保留在正确的局部域中，该不确定证据暂不扩大写域，而不相关或污染性样本不会串写进错误的默认模型。隐藏失败不是“没学会”，而是“串域写入”——局部适应成功，却把本来只属于某一说话人、语域或任务的模式错误外溢到其他情境。敌意拓宽覆盖经典层、二语习得内部、方法学、专著/跨学科与自家已发五个方向，正面处理 Huber 的稳健估计、Labov 的社会变异、Corder 的学习者错误、Schmidt 的 noticing、Sperber 等的 epistemic vigilance、Koenig 与 Harris 的 selective trust、Kleinschmidt 与 Jaeger 的理性说话人适应、talker-specific perceptual learning、usage-based weighting 及本站既有“证据源换手”“语言差异释出”“成元余备”等近邻。2025 年 Gangopadhyay 与 Peters 的儿童词汇复制研究构成本章最重要的不利真跑：20 名儿童中 17 名能明确识别可靠与不可靠说话者，但新词保持在可靠条件 M=0.55、不可靠条件 M=0.61，条件效应不显著（b=0.06, p=0.34）。这直接否掉“来源可靠性就是写入闸门”的初稿，并迫使本章把理论从二元输入过滤改为“更新作用域分配”。本章进一步冻结单一主读数“写域差”（WDM）：目标写域中的延迟更新幅度减去排除域中的最大外溢更新；探索性支持阈值统一为 0.10。最后给出二维辨别格、编码手册、八条可反驳预测、三条反向约束、跨语音—词汇—语法—语用—AI 输入的研究原型，以及 2031 年撤回赌注。

关键词：语言习得；语言写域；限域写入事件；输入作用域；语域；说话人适应

Abstract

This paper asks not merely which linguistic input is learned, but where the learning effect of an understood encounter is allowed to write. Using the本书的方法What-type three-dimension collision protocol, a randomized candidate pool from the 626-field frontier was repeatedly screened against disciplines and theoretical axes already used in the same language-acquisition series. After two promising combinations were rejected by internal prior-art checks, the surviving trio was regulatory science and standardization, toxicology, and archival/digital preservation. Their collision yields a new event type: the Scope-Limited Incorporation Event (SLIE), in which an encounter is perceived, understood, and usable in its source context, yet its durable learning effect is appropriately confined to a warranted subset of future contexts rather than propagated to the learner’s global default. The corresponding system-level construct is the Linguistic Write Domain (LWD), the set of future linguistic contexts whose long-term expectations an encounter is licensed to revise. Acquisition, on this view, is not maximal absorption, source-trust filtering, or unrestricted generalization, but the increasingly accurate allocation of update scope. A hostile-neighbor audit distinguishes the proposal from noticing, robust learning, selective trust, epistemic vigilance, talker-specific adaptation, hierarchical Bayesian speech perception, usage-based weighting, and multiple previously published theories. A public-summary reanalysis of Gangopadhyay and Peters (2025) provides an unfavorable test: children explicitly discriminated reliable from unreliable speakers, but final novel-word accuracy did not differ by speaker reliability. This falsifies a simple source-credibility gate and forces the present account to treat provenance as one constraint on scope rather than as a binary admission rule. A single primary metric, Write-Domain Margin (WDM), is specified together with a preregistered exploratory threshold, reverse constraints, and dated withdrawal criteria.

Keywords: language acquisition; linguistic write domain; scope-limited incorporation; generalization; speaker adaptation; evidence scope

一、真正被忽略的问题：输入已经听懂以后，它有权改写什么？

如果一个学生在短视频里听到“ain’t”，他可能完全理解意思；如果他阅读莎士比亚、网络论坛、朋友聊天或人工智能生成文本，也可能遇到大量在某一时空、社群或文体中合法、在另一场合却不应成为默认模板的表达。传统输入研究最自然的做法是统计出现次数、可理解度、注意、显著性与后续保持，然后问“这个样本有没有被学到”。但对一个开放语言系统来说，真正危险的错误常常发生在“已经学到”之后：学习者把一个局部有效的模式推广到不该去的地方。局部成功可以与全局污染同时发生。

例如，学习者在一位特定教师面前逐渐适应其非母语口音，这种适应本身非常有价值；可若把该说话人的个体音系偏差全局化为英语默认音系，就会产生串域写入。相反，如果学习者把所有偏离教科书标准的声音一概拒绝进入系统，他又无法形成对真实口音、方言和语体的适应。成熟不是“全收”或“全拒”，而是把更新限制在合适的范围。这里的“范围”不是空间隐喻，而可以被实验操作：同一曝光后，哪些说话人、话题、语域、任务和时间条件中的反应概率发生了持久变化，哪些匹配的排除条件保持稳定。

语言教育长期把“泛化”视为好事，也因此容易默认泛化越广越成熟。实际上，广泛泛化只有在目标关系本来就跨情境成立时才是成功；如果目标只是一个群体规范、语域惯例或说话人特征，越广的外溢反而越错误。于是，本章把“语言习得的本质”从“能不能学到”改写为“能不能把学习效应写进正确的未来范围”。这一重写把一个隐藏坏状态暴露出来：学习者在源情境里表现越来越好，甚至比另一个学习者适应得更快，却因为更新外溢到不应改变的情境而形成更差的长期系统。

二、选源：为什么前两轮漂亮组合必须淘汰本书的方法要求 What 题先找三家各站 S、D、E 的不同位置，再从它们共同默认的地基里挖出一个新存在物。随机抽样只是制造意外，不是把三门学科机械拼起来。本轮首先建立“双黑名单”：一张是同题已经使用过的学科，包括计算神经科学、具身智能、社会网络分析、语言哲学、控制、免疫、超分子/NLP/形而上学、合成生物学、商业史、保护生物学、半导体制造、系统工程、医学教育、气候科学等；另一张是已经使用过的理论轴，包括证据源换手、承载重写、差异释出、语言后代性、错误扩损、约束继承、正确性去补贴、生成可达域、求证路由、路径新生、双熟共激活、非单桥互操作、线索角色去别名化、知差悬修与成元余备。

第一轮“概率与随机分析 × 智能体 AI × 危机管理”很快撞出“不确定性应被量化、委派还是升级”的冲突，看似新颖。但自家占位扫描命中《求证路由内生化理论》，其核心已经是把不确定性从“大小”与“裁决去向”分开，并区分内决、外询与挂起。若继续写，只能改名。第二轮“强化学习 × 医院管理与医疗质量 × 知识产权法”又撞出“后果究竟应该回写给哪个先前动作”。本书《记零位》《入判份额》及更早的“语言返料链”已经把贡献归因、能力记账和结果回写做成成熟产线。这一轮同样淘汰。

第三轮的真正变化，是把问题从“信息如何被处理”移到“一个已处理信息的更新权限如何被限定”。监管科学与标准化关心同一份数据在什么 context of use 下才足以支撑某项决定；毒理学强调暴露不会自动等于系统结局，效应必须经过剂量、时间、关键事件与组织层级构成的机制链；档案与数字保存则强调同一记录的可信与意义不能脱离 provenance、鉴定和多重关系。这三家都讨论“某物进入系统以后有什么资格”，却把资格放在完全不同的地方。正因为它们不共享同一学术母体，才构成有效斜对立。

三、三维度定位：三家争的是同一个“资格”，却没有同一个裁判

监管科学在本轮承担 S 位置：它把“某份证据是否足以支撑某项监管判断”做成可验证的资格状态。FDA 的 fit-for-purpose 路径尤其清楚：工具或数据并不是抽象地“好”或“坏”，而是相对于明确 context of use 获得资格。同一真实世界数据可以用于安全信号监测，却未必足以单独支撑有效性结论；同一评测在一个用途里有效，在另一个用途里可能失真。领域索引第 492 号面板也把监管科学概括为从规则文本转向证据方法、再转向持续学习装置，并把验证方法学、真实世界证据与适应性路径列为关键转向。

毒理学承担 D 位置。OECD 的 Adverse Outcome Pathway（AOP）框架把“暴露”与“伤害”之间拆成分子起始事件、关键事件及其因果关系，强调效应必须通过一条可检验的机制链产生。这个视角阻止我们把“语言样本进入感官”与“长期语言系统被改写”直接画等号。同样一次暴露，因为剂量、时窗、组织、背景状态不同，可能产生完全不同的后果；同样一次语言遭遇，也可能只改变临时任务策略、只改变某位说话人的表征，或者真正改写跨场景默认。D 位置逼问的是：更新沿什么路径扩散，扩散到哪里停止。

档案与数字保存承担 E 位置。领域索引第 194 号面板的记录连续体、宏观鉴定和平行来源尤其关键：数字记录的可信不能只靠“物理占有”，鉴定不是把所有材料无差别保留，来源也不再必然是单一产生者。同一记录可以与机构、当事人和社群形成不同 provenance 关系。NARA 的数字保存实践同样把 authenticity、accuracy、functionality、fixity 与操作留痕作为持续可用性的基础。E 位置因此提醒：一个语言样本的学习意义不只在样本内部，也取决于它与说话人、社群、语域、文体和任务之间的关系网络。

三家真正争的是：一次已经进入系统的材料，凭什么获得“改写未来”的资格？监管科学把资格交给用途与验证，毒理学把资格交给机制链与效应传播，档案学把资格交给来源关系与鉴定。语言习得需要的不是从三家选一个，而是承认“更新资格本身有作用域”。

四、三家各抽三条承重点：九条脊柱

五、27 对碰撞：从“证据合格”撞到“写域”

27 对中出现的不是“输入应该加权”这一条老结论，而是三条更窄的暗流：第一，资格是相对于未来用途而不是相对于样本本身；第二，学习效应沿路径传播，必须存在可观察的停止边界；第三，同一样本可以在多个来源关系中被保留，而这些关系不要求合并成全局默认。三个暗流的交集就是“更新作用域”。

六、共有前提：语言研究常把“学到了”默认为一个无地址的状态

三家表面上争的是证据资格、因果效应与来源权威。它们共享的第一层前提却相同：一旦某物获得资格，就好像可以把“有资格”写成这个对象的单一属性。监管科学自己推翻了它：fit-for-purpose 从来是“对某用途有资格”，不是抽象合格；毒理学自己推翻了它：同一暴露效应取决于剂量、时窗与组织；档案学自己推翻了它：同一记录的 provenance 可以并行存在。于是“资格是无地址属性”不能成立。

把这条推回语言习得，第二层共有前提浮现出来：研究者经常把“这个形式被学到了”当成一个没有地址的状态。词汇测验告诉我们映射被保留，口语测验告诉我们表达能产出，适应实验告诉我们识别改善；但如果没有同时记录“这种改变写到了哪些未来情境”，所有学习结果都隐含一个默认——更新要么存在、要么不存在。事实上，真正的语言能力可能更像带地址的修改：某位说话人的 /t/ 边界改变了，而标准语默认没有改变；某个法律体裁里的被动式概率改变了，而日常口语没有；某个同伴群体的俚语获得了高可用性，而正式写作中的概率保持低。

因此本章要推翻的不是“输入重要”，而是“学习效应可以无地址地结算”。如果这一前提被取消，一个通常不存在于实验表格中的对象才出现：同一个学习事件可以是成功的，同时它的成功必须被限制在一个范围。传统统计里，排除域没有改变常常被当作“没有效应”；在本章里，恰恰可能是最重要的正证据，因为它证明更新没有串写出去。

七、新存在物：限域写入事件

限域写入事件：一个语言遭遇已经被学习者感知、理解，并在源情境中表现出可用性；随后在没有重新暴露该样本的延迟测试中，目标情境的长期期望发生方向一致的更新，而预先指定的排除情境保持基本稳定。

这个定义故意同时要求“学到了”和“没有改某些地方”。若只看目标情境，它就是普通学习；若只看排除情境，它又像“没有学习”。只有把两者放在同一个事件里，才会出现新对象。比如学习者听到某位苏格兰说话人的特定元音实现，随后对这位说话人或同类口音的识别改善，但对另一口音的标准边界保持稳定；这不是学习不足，而可能是作用域准确。又如学习者掌握网络语“破防了”的语用用途，却没有把它无条件写进正式学术写作；正式域的不变不是缺陷，而是学习的一部分。

限域写入与“记住来源”也不同。一个人完全可以忘记最初是哪位朋友说的某个表达，却仍把它稳定限制在非正式口语；也可以记得来源，却错误地把该样本全局化。来源记忆只是可能的机制之一，本章的对象是后续行为概率的域结构。它也不同于“上下文依赖记忆”：后者常关心同一记忆在不同线索下是否被提取，本章关心的是一次经验本身修改了哪些未来分布。提取失败与不允许写入是两种不同现象。

更重要的是，限域写入不是保守主义。对真正跨场景成立的规律，正确的写域本来就很大；学习者若永远把新证据锁在局部，也会失败。本章不奖励“少泛化”，而奖励“泛化范围与证据的实际适用范围匹配”。因此写域既可以扩张，也可以收缩；成熟不是固定得更窄，而是分配得更准。

八、核心构念：语言写域（LWD）

本章把语言写域定义为：对一次具体语言遭遇 e 而言，被该遭遇允许在延迟后改变长期语言期望的未来情境集合 Ω(e)。情境不是一个模糊的“上下文”，而由预注册维度组成，例如说话人/口音、社群身份、语域、文体、交际目标、任务类型、媒介以及必要的时间尺度。一个样本可以拥有很窄的 Ω(e)，也可以在重复且多样的证据支持下扩张到更大的域。语言系统的成熟，不是把所有 Ω(e) 合并，而是形成一套能够更新、合并、分裂与重判这些域的规则。

这使“泛化”从一个单向价值词变成需要判地址的操作。若目标模式确实属于跨说话人的音系规律，Ω(e) 应跨说话人扩大；若只是某人的口头习惯，扩大就是错误。若一个语法形式在正式书面英语与非正式口语中都成立，域应跨语域；若一个表达主要承担青少年社群身份，硬把它推广到所有场景并非成熟。这里的关键不是社会规范本身，而是学习系统能够把不同证据写进不同未来分布。

从生成过程看，输入第一次进入系统时未必已经知道正确写域。早期学习者可以先建立临时局部域，随着不同说话人、不同文本与反馈累积再逐步扩大；也可以先产生过宽泛化，再被反例收缩。本章不规定唯一发展方向，只要求每次域变化可由新增证据解释，而且更新轨迹与未来行为可区分。这样，“学习”第一次包含了一个传统总分难以表达的对象：不是学到了多少内容，而是每份内容在系统里被写到了什么地址。

九、三重否定：不是输入过滤，不是可信度加权，也不是泛化最大化

第一重否定：语言习得不是输入过滤。过滤把事件分成“进/不进”；语言写域允许第三种也是最重要的一类——事件进入了，但只进入局部。一个学习者可以认真理解某个非标准表达、以后也会在合适社群里使用，同时保持标准写作的默认不变。若只用二元过滤，这种成熟状态会被误记为“既接受又拒绝”的矛盾。

第二重否定：语言习得不是按说话人可信度给输入加权。可靠性当然重要，但 2025 年复制研究给出反例：儿童明确区分可靠与不可靠说话者，却对两者教授的新词都保持在机会水平之上，且最终正确率没有显著条件差异。可信度可以影响选择、检索速度、询问信息对象或不确定度，却不能单独决定学习是否发生。写域理论因此把 provenance 放进条件结构，而不把“可信/不可信”变成全局闸门。

第三重否定：语言习得不是泛化最大化。语音适应研究反复显示，适应可以在说话人特异与跨说话人泛化之间变化；2025 年 Chiu 等五个实验甚至发现听者常采用“够用”的当前边界，快速学习又快速撤回，并未形成稳定的多说话人特异模型。这说明“泛化到新说话人”本身不是永远正确的终点。正确问题是：哪些差异应当跨说话人，哪些应当个体化。语言写域把泛化看作需要被校准的作用域，而不是能力越大越好的单一维度。

十、二维辨别格：最危险的状态是“学得快，串得远”

传统正确率最容易把右下格判为优秀：学习者确实在源情境表现更好。只有加入排除域测试，才能看到他的系统是否被局部输入污染。这个坏格特别适合解释“课堂练得越熟、真实语境越僵”的现象：如果课堂材料中的单一语域、固定说话人或模板被过度全局化，源任务成绩上涨与真实交流适配下降可以同时发生。

十一、单一读数与清点手册：写域差 WDM

写域差（WDM） = 目标写域的延迟更新幅度 Δtarget − 排除域中最大绝对外溢更新 max|Δexcluded|。

Δ 统一定义为相对于同一被试基线或配对控制的概率变化，量纲为概率点。方向由预注册目标关系确定：如果训练应提高某形式在目标域中的选择概率，就取正向变化；若应降低错误形式，则先把方向转成“朝目标的改善”。全篇只使用这一口径。探索性首轮阈值冻结为 WDM ≥ 0.10，也就是目标域的更新至少比最严重排除域外溢多 10 个百分点。0.10 不是自然常数，只是第一轮可复算协议；后续研究可以在看数据前另行预注册，但同一研究内部不得移动阈值。

十二、真跑一条：2025 年 speaker reliability 数据为什么打掉了“可信来源过滤器”本书的方法要求成文前至少真跑一条公开数据/公开统计，而且不利结果必须进正文。本轮选择 Gangopadhyay 与 Peters（2025）的在线复制研究，因为它直接把“来源可靠性”与“新词学习”放在同一设计中。20 名 4–6 岁英语单语儿童在训练前观察两位说话者：一位总能正确命名熟悉物体，另一位总是错误命名。随后两位说话者都教授新物体的新标签，最后测试保持。17/20 儿童能正确指出谁可靠、谁不可靠，说明来源差异并非没有被察觉。

公开结果给出可靠条件 M=0.55、SD=0.50，不可靠条件 M=0.61、SD=0.49；两者均高于机会水平。公开均值的简单方向差为 +0.06（不可靠减可靠），也就是方向上甚至不是“可靠来源学得更多”。论文自己的 logistic mixed-effects model 同样给出无显著条件主效应（b=0.06, t=0.89, p=0.34）。这不是原始数据再分析，不能计算新的配对效应量；本章只把它作为一条公开摘要统计的反事实压力测试。

初稿原本准备把“输入准入”定义为来源可信度达到阈值后才进入长期模型。如果这个版本成立，至少在该范式中应看到可靠说话者的新词保持明显高于不可靠说话者。结果没有出现，因此初稿必须撤回。更重要的是，这个不利结果没有杀死“范围”问题：儿童可以记住不可靠说话者教授的标签，同时仍可能在后续选择、确信度、询问对象、说话人模型或跨说话人泛化上区别处理它们。换言之，来源可靠性不是二元入口，而更可能只是决定“写到哪里、写多宽”的一个条件。

这一步使本章的概念粒度发生实质变化：从“证据可采/不可采”改为“写域分配”。新理论因此承担更高风险——未来如果多情境延迟实验发现，所有局部学习差异都只由来源可信度或一般学习率解释，WDM 没有独立信息，那么“语言写域”应降级为 speaker reliability 或 context-dependent learning 的重新命名。

十三、敌意拓宽：十五个近邻必须逐一“1:1 替换”

敌意拓宽最危险的不是外部一个名字，而是本站自己的“语言差异释出”。两者都关心情境边界。分离线必须写硬：差异释出的基本单位是“一个已经学到的形式—功能差异”，判据是原例撤去后能否独立重构且不脱域；写域理论的基本单位是“一次输入事件的更新后果”，判据是它是否只改变预注册允许的未来情境。理论上可以出现 LDR 高但 WDM 低：学习者能独立取用一个差异，却因为一次局部语料曝光把该差异错误推广到过宽语域；也可以出现 WDM 高但差异尚未完全释出：学习者尚不能独立产出，却已把知觉适应严格限制在正确说话人群。若未来实证显示这两个状态不存在，本章必须与差异释出合并。

十四、为什么“写域”不是 robust learning 的语言学换皮

稳健统计最容易把本章吸收：污染样本应当低权重，主模型不应被少数异常值拖走。区别在于写域理论不把局部变体先验地当“污染”。苏格兰英语、非裔美国英语、青少年网络语、专业行话和某位说话人的稳定发音都可能是内部高度一致、对本域极有预测价值的数据。对全局模型而言它们或许不该拥有同样权重，但在局部域里它们不是离群点，而是主分布。稳健估计解决“要不要让一个样本影响同一个参数”；写域解决“它应该影响哪一组参数/情境”。

这一区别会产生判决性反例。假设一个表达在某社群出现频率极高、在标准书面语极低。纯异常值模型可能因为局部频率高而接受，或者因为全局频率低而降权；两种做法都只有一套总体参数。写域模型要求同时做到两件事：在社群域内形成高概率，在正式域保持低概率。这个“双真”结构不是把一个数调到中间，而是保持分域更新。如果一个单参数稳健模型能同样预测所有跨域行为，本章就失去必要性。

十五、为什么“写域”不是 speaker-specific adaptation 的扩大版

说话人适应已经非常成熟：听者会迅速调整到某个口音或个体分布，也可能把学习泛化到新说话人。Kleinschmidt 与 Jaeger 的理性推断框架甚至把适应理解为对环境分布的贝叶斯更新；Chiu 等 2025 的五个实验显示，人们常快速重设当前边界，随后又迅速撤回。这些成果构成本章最强的正面占位。

如果语言写域只是在说“有 speaker-specific representation”，它没有新意。因此本章强制跨出说话人维度：写域可以由语域、文体、交际目标、共同体、媒介、引用状态、任务类型或它们的交互定义；更重要的是，研究对象不是当前模型有几个，而是“某一次已理解输入在延迟后究竟改变了哪些域”。这使一个设计成为可能：完全相同的句子由同一个人说出，但一个条件标记为直接主张，另一个条件标记为引语/戏仿；若学习者把戏仿中的非常规结构写进该人物的全局语法，而不是限在引用域，就发生串域写入。说话人相同，speaker-specific 模型无法单独解决。

十六、六个语言微领域的压力测试

六个场景说明，写域不是“标准语中心主义”。在方言与多语环境中，成熟学习者恰恰需要扩大局部域的合法性，同时阻止一个域垄断另一个域。一个只会标准语、听不懂真实变体的人并不是写域更准确，而是局部模型不足；一个把所有变体都平均成同一套规则的人也不是更包容，而是失去条件分辨。写域理论的伦理方向因此是“允许多域共存，反对无证据的跨域覆盖”。

这也改变了错误观。某些所谓“错误”只是把正确模式写到了错误情境；纠正它不能只说“这个形式错”，而要指出“这个形式在哪个域成立、当前为何不成立”。这种反馈若能把作用域写清，学习者保存的就不是一条禁止令，而是一张可迁移的地址图。反之，只用红叉删除非标准表达，可能同时删除学习者对真实语言变异的合法模型。

十七、八条可证伪预测

十八、三条反向约束：新理论必须主动削弱自己

第一，写域不是所有微观学习事件的必要条件。婴儿的早期统计切分、某些词形记忆、短期知觉适应完全可能在没有成熟 provenance 或语域模型时发生。本章只把写域分配作为开放、异质输入环境中“系统级成熟习得”的资格条件之一，而不是声称每个音节统计都先经过地址审批。

第二，域越窄不等于越好。对于真正跨情境的核心词义、稳定句法约束或广泛音系规律，成熟恰恰需要扩大写域。若教师把所有知识都绑定在原课堂、原说话人、原例句，WDM 可能在狭窄实验设计里看起来很高，却形成迁移贫困。研究必须由独立语言事实确定目标域和排除域，不能为了“高 WDM”事后缩小目标。

第三，域边界不是永恒不变。语言规范、社群实践和个人风格都会演化。一次今天只属于网络社群的表达，数年后可能进入一般口语；学习者写域随新证据扩张不是“不稳定”，而是正确更新。理论若把早期边界永久化，就会从生成理论退化为保守分类学。因此每个纵向研究都要允许“域的金标准”被新语料与共同体实践重新标定。

十九、与同题既有理论的硬划界：不能再靠“都是不同侧面”

这张表把本章置于最危险的位置：如果未来多任务数据表明 WDM 与“差异释出”的许可边界总是完全同变，本章不应维持独立理论；如果层级说话人模型已经能无新增字段预测全部域泄漏，写域也应合并。本书方法的高创新不是概念数量，而是把“什么时候必须删掉自己的名字”写清楚。

二十、实验原型一：说话人—口音写域

设计采用 2×2 曝光：单说话人/多说话人 × 单口音/多口音，目标模式是一条可操纵的音位边界或系统性替代。曝光后不再呈现训练句，24 小时与 7 天分别测试四类对象：原说话人、同口音新说话人、异口音新说话人、标准语控制。若训练模式理论上属于口音级规律，则目标域预注册为前两类，异口音与标准语为排除域；若操纵的是个体习惯，目标域只保留原说话人。

传统研究往往比较“有没有泛化”。本设计把泛化方向变成带目标的判决：个体习惯泛化到同口音新说话人可能是错误，而口音规律完全不泛化又可能过窄。WDM 把两种情况放在同一单位中比较。研究尤其需要防止把测试相似度偷换成写域：目标与排除材料在声学距离上应交叉匹配，并用陌生词避免词项记忆。

二十一、实验原型二：语域与共同体写域

选择一组在非正式对话中自然、在正式报告中显著受限的表达，以及一组跨语域稳定形式。学习者随机接受两种训练：一组材料始终带明确的说话人关系、场景和文体标签；另一组呈现完全相同文本，却去掉来源标签。即时任务只测理解，确保两组输入内容与成功率相同。延迟任务同时测朋友聊天、课堂发言、正式邮件与学术摘要。

预测不是“有标签组学得更少”，而是它的改变更有地址：对真正限域表达，非正式域变化大而正式域泄漏小；对跨域稳定形式，两组都应扩展。这样才能排除一个简单解释——标签只是让学习者更谨慎、总体少学。如果标签组所有情境都变少，理论反而失败，因为那是一般抑制，不是写域。

二十二、实验原型三：AI 时代的“高流畅串域”

生成式 AI 带来一个以前少见的输入生态：语言形式通常高度流畅、可理解、频率高，但事实、语域和规范可靠性不均。传统“可理解输入”指标很难处理这种情况，因为材料本身非常容易被吸收。写域理论提出另一种风险：AI 产生的某一表达可能在当前写作任务里帮助用户完成文本，却因为来源未标记、体裁边界不清而成为过宽默认。

实验可以构造内容等同的三组：人工权威语料、AI 生成但明确标记并附核验状态、AI 生成且来源被隐藏。目标不是测“更信任谁”，而是在一周后测同一表达对不同文体、事实断言和语体选择的影响。如果来源标记只提高主观信任而 WDM 保持不变，本章关于 provenance 的机制猜想失败；若来源标记能让学习者保留有用表达同时减少错误跨域外溢，则写域获得直接支持。

伦理上，这个指标不能拿来给学生贴“容易被 AI 污染”的人格标签。WDM 是事件与课程环境的关系读数：相同学习者在明确语域教学下可能很高，在去来源的海量混合材料下可能很低。任何把低 WDM 归咎于个体而忽略课程的来源标记、反馈质量与材料结构，都违反本理论自己的 E 维。

二十三、课堂意义：教学不是只提供“好输入”，还要教输入的地址

传统课堂最常见的输入组织方式是把一种标准形式放到所有练习里。这样做可以快速提高正确率，却也会让学习者误以为“只有这一种在所有情境中成立”。另一端，追求真实语料的课堂若把社交媒体、影视、方言、学术文本和 AI 输出全部混在一个输入池里，又可能造成“所有见过的都能随处用”。写域理论给出的教学原则不是减少多样性，而是增加地址信息：谁在说、对谁说、在哪里说、为何这样说、换一个关系还成立吗。

对儿童和初学者，地址信息不必变成术语讲解。可以通过对照人物、场景卡、同一句话换角色、同一个表达换书面/口语场景，让孩子看到“这个表达不是对/错二元，而是在哪儿合适”。对中高级学习者，则应把 corpus 频率分层到语域、体裁与社群，而不是只给一个总频率。总频率会把多个分布压扁成一条平均线，恰好掩盖写域。

反馈也需要改造。教师听到非标准但有社群合法性的表达时，可以不只说“错”，而说“这个说法在某些口语环境里出现，但在你现在写的正式邮件里不合适”；听到过度正式表达时，也可以指出“语法没错，域不对”。这种反馈把错误从形式问题转成地址问题，有望同时保护真实语言多样性与任务准确性。

二十四、与二语习得主流机制的重新关系

输入频率仍然重要，但频率应被分解成域内频率与跨域覆盖。一个形式总体频率高，可能只是某一媒体或社群极高；学习者若把总体频率直接当全局概率，会产生写域偏差。注意仍然重要，但注意只是进入资格门；Schmidt 的 noticing 不能告诉我们被注意样本随后写到了哪些模型。互动也重要，因为不同伙伴让学习者采到域边界证据；但互动次数本身不保证写域准确，固定社群内高互动反而可能加深局部规则的全局化。

纠正反馈可以被重新理解为写域校准工具。很多反馈并不需要把形式从系统删除，而是把它从错误域搬回正确域。例如一个表达在口语中自然，在学术写作中不合适，反馈目标不是降低该表达的总可达性，而是降低它在学术域的概率、保留口语域。若实验只在单一任务上测“错误减少”，这种更精细的学习会不可见。

统计学习也不被否定。它提供形成域的底层材料：学习者可以同时估计不同说话人、不同语域中的分布。然而写域理论增加一个可证伪要求：这些分布不能只在模型解释中存在，而要在“同一输入事件对多个未来域的差异化延迟影响”中显露。如果层级统计模型能完整预测这组显露，写域应该被视为其可解释读数，而不是另起炉灶。

二十五、写域的生命周期：一个范围不是一次划定，而是在使用中出生、扩张、分裂与撤回

如果“语言写域”只被理解为一张静态标签表，它很快会退化成“这个说法属于哪个语域”的教学常识。本章要强调的恰恰相反：写域是一种历史性结构。同一个形式—功能关系在不同发展阶段可以拥有不同的更新范围，而且这个范围本身会因新的经验被重写。写域至少经历五种可区分的生命周期事件：出生、扩张、分裂、合并与撤回。把这些事件分开，才能避免把所有变化都叫作“泛化”。

第一是写域出生。学习者第一次从一个遭遇中形成可延迟保持的改变时，真正出现的不是“会了一个形式”这么简单，而是一个最初的作用范围。这个范围可能极窄，只绑定于一个说话人、一种任务或一个固定短语；也可能因为输入本身跨多个来源而一开始就较宽。出生阶段最重要的不是大小，而是是否可以被后续实验定位。如果研究只做一个训练情境和一个测试情境，就无法知道所谓学习是一个窄域已经出生，还是全局默认正在形成。

第二是写域扩张。新经验不断在不同来源、说话人或语域中重复同一关系时，系统可能把原本局部的更新范围扩大。扩张与传统泛化有交集，却不等同：泛化通常从“训练项能否迁到新项”看结果；写域扩张要求追踪同一关系在时间中怎样获得新的合法地址。真正的扩张必须同时满足两点：新域获得稳定改变，而旧排除域并没有因为测试相似性被误判为已经属于目标。换言之，扩张是一种边界移动，而不是一次偶然成功。

第三是写域分裂。语言世界经常要求学习者把原先合并的一个默认模型拆成两个。例如初学者可能把不同英语口音视为同一发音系统，接触增多后才形成“这个说话人/这个口音下这一线索权重更高”的局部分布；又如早期把所有过去叙事形式当成一个大类，后来才把体裁、视角和时间组织拆开。分裂不是退步。它意味着系统发现过去那个过宽的写域掩盖了稳定差异，于是把一个全局更新通道分成多个带地址的局部通道。

第四是写域合并。与分裂相反，学习者也会发现两个原先被当作不同知识点的变化其实共享同一更高层关系。多个表面不同的请求式、多个语序变体或多个说话人的发音差异，在获得足够证据后可以被一个更宽但仍有边界的域统摄。这里最危险的误判，是把“合并”理解为越抽象越成熟。若合并吞掉了真实的社群差异、礼貌关系或语体限制，它不是更高层规则，而是串域写入。成熟的合并必须保留哪些差异仍然有后果。

第五是写域撤回。一个曾经合理的局部规则可以因世界改变而失效：学习者进入新的专业共同体、社会规范变化、某一平台的语言习惯更新，都会让原先有用的默认不再适用。若习得只能增加知识而不能撤回作用域，长期学习者会不断积累互相冲突的旧规则。写域理论因此把“能够停止让旧经验继续改写新情境”也列入成熟。撤回不是遗忘；遗忘是表征不可得，撤回是表征仍可得但失去对某些未来情境的更新授权。

生命周期带来一个重要预测：同一学习者的 WDM 不应被当作固定人格分数。一个形式在出生期可以低 WDM，经过来源多样化后上升；遇到真正跨域的新证据时，原来的高 WDM 又可能因为目标域扩张而暂时下降。若纵向研究发现 WDM 只与一般语言水平单调同变、从不显示分裂、合并和撤回等事件，那么“写域生命周期”就没有独立价值，应退回一般熟练度解释。

二十六、跨发展阶段：母语儿童、成人二语与双语者为什么不能用同一个“理想写域”

“写域准确”绝不意味着所有年龄都应该形成同样窄或同样宽的边界。母语儿童首先面对的是一个尚未成形的社会语言世界：说话人身份、家庭语域、学校语域、故事语言和同伴语言往往同时在建立。对他们而言，某些早期过度泛化可能是合理探索，而不是缺陷。儿童真正需要学习的不是成人事后总结好的标签，而是从分布中发现哪些差异值得保留为长期地址。因此儿童研究应重点观察写域何时开始分裂，而不应把成人规范直接当作所有早期样本的排除域。

儿童还提供了对“可信来源过滤”最重要的反向约束。2025 年 speaker reliability 复制研究中，17/20 名儿童能够识别哪位说话者更可靠，但新词保持并未表现出“可靠者明显学、非可靠者拒绝学”的二元图景；公开统计中可靠条件平均正确率约 .55，非可靠条件约 .61，条件效应不显著。这个结果说明，知道一个来源“不太可靠”并不等于该来源的全部语言信息都没有学习资格。更合理的可能是：孩子仍记录这个形式，却把其推广范围限制在该说话者、该事件或较低层级的候选中。这正是“是否写入”与“写入哪里”的差别。

成人二语学习者则拥有强大的既有语言系统。新证据不是写进空白，而要与母语、既有二语规则、课堂显性规则和社会经验竞争。因此成人的串域写入常常不是“什么都没分化”，而是把一个来源的局部证据错误挂到已有的全局槽位。例如教师反复使用一种课堂英语，学习者可能把它误当真实社交默认；母语中的礼貌等级也可能成为二语所有场景的初始写域。成人实验必须记录基线域，而不能把所有测试变化都归因于本次训练。

双语者与多语者进一步逼迫理论放弃“一种语言一个域”的想象。现实中的写域可能跨语言：某个家庭话题在两种语言之间共享同一关系模型，某个专业概念则只在一种语言里拥有高精度表达；某些语用常规随共同体而变，而不是随语言名称而变。研究若先按英语/中文划界，再去测参与者是否符合，就可能把研究者自己的分类强加给系统。写域金标准应该围绕可观察的社群、任务、体裁和交际后果，而不是把语言标签当作天然边界。

这也带来一条反常但可检验的预测：高水平双语者可能在某些项目上显示比单语者“更窄”的局部写域，因为他们长期学会了区分不同共同体的用法；同时在另一些跨语言概念上显示“更宽”的共享写域。若成熟度只能被“越泛化越高”描述，这两类现象会互相抵消；写域框架要求把方向写死后分别检验。

因此，本章拒绝给 WDM 设一个跨年龄、跨对象的普遍人格阈值。0.10 只作为单项实验中“目标域改变相对排除域泄漏”的探索性支持门槛。研究真正应该比较的是同一对象、同一任务下不同训练和发展阶段的 WDM，以及边界移动的方向。把一个孩子或成人的若干项目平均成“写域能力 73 分”，不仅统计上粗糙，也违反本章“指标指位置不指人”的伦理约束。

二十七、错域写入从哪里来：频率错配、来源错配与任务错配

如果串域写入只是一个结果标签，它无法指导研究。本章进一步区分三类生成来源。第一类是频率错配：学习者接触到的总体分布与真实目标环境的分布不一致。课堂、教材或平台让某一形式高频出现，于是学习者合理地把它当高概率默认；问题不在统计学习本身，而在采样框架过窄。此时改进写域最有效的办法不是更多解释，而是改变样本来源，让同一形式在多个域中呈现真实频率和边界。

第二类是来源错配：材料内容本身可能正确，但 provenance 被抹掉。一个表达来自某个年龄群、地区、专业共同体或历史时期，如果被教材去掉这些信息，只留下“英语里可以这样说”，学习者就失去建立局部写域所需的地址。档案学对来源关系的强调在这里提供了硬约束：保存内容而删除来源并不总能保存未来解释能力。语言教育中的“干净例句”有时正是通过删除来源把一个局部事实制造成全局规则。

第三类是任务错配：训练任务与未来任务共享表面形式，却要求不同的决策粒度。多选题要求辨认哪个句子更像标准答案，真实会话要求在时间压力下判断对方意图，学术写作又要求可审查的证据与语域一致。一个规则在选择题中可以被写成全局的“正确/错误”，到了开放任务却必须拆成“形式许可、语用许可、来源可靠性、责任强度”等多个域。若课程反复只训练一种结算方式，学习者会把任务的判据串写到语言本身。

三类错配可以产生相同表面错误，所以实验必须区分。频率错配预测：改变样本分布即可修复；来源错配预测：内容不变、补充来源标签也能改善 WDM；任务错配预测：只有改变未来决策需求，写域才重新组织。若三种干预的效果完全相同，说明分类过细；若它们产生可重复的交叉效应，写域就从描述性“哪里用错了”推进为可干预机制框架。

这套区分也防止把教师责任无限扩大。真实世界本来存在混合、漂移和模糊边界，任何课程都不可能提供完美分布。教学的责任不是替学习者预先编码所有域，而是让样本携带足够的来源与任务差异，并不断提供“同一形式换地址以后后果是否改变”的比较机会。写域最终仍需学习者在新的证据中自己重构。

二十八、四个反常案例：低频可以全局写，高频也可能只能局部写

反常案例一：低频但全局。某个安全关键表达在总体语料里极少出现，例如紧急停止、药物过敏或法律责任的固定措辞，但一旦进入相应专业任务，其规则可以拥有极宽的任务内写域。若只凭总体频率决定权重，会把低频误读成低资格。写域理论预测，决定长期更新范围的是“这一证据对哪些未来决策具有资格”，而不是频率本身。

反常案例二：高频但局部。一个网络社群的口头禅、某位教师的高频课堂句式、某个平台的模板表达，可以在数周内占据极高比例，却仍不应改写正式书面语或其他共同体。高频使学习更强，却不提供跨域许可。若训练后学习者在源域正确率极高，同时正式域也显著向该表达偏移，这不是“学习得更彻底”，而是典型串域写入。

反常案例三：正确但应撤回。学习者过去在某一共同体中形成的局部规则曾经完全正确，后来进入新共同体后若仍继续用旧规则解释一切，问题不在旧知识错误，而在旧写域没有撤回或重新定位。传统纠错框架很难表达“知识仍然正确但不再拥有这里的管辖权”，而写域恰好把这种状态设为对象。

反常案例四：暂时不泛化反而更成熟。听到一个陌生口音的系统性替代后，初学者立即把它推广给所有说话人，表面上显示很强迁移；更有经验者可能先保留为说话人局部模型，等待更多样本后再扩张。若后者在新说话人测试中暂时“泛化较少”，传统迁移分数可能判其更差；WDM 则可能判其边界更准确。这个反例是本章最重要的价值翻转之一：有时不泛化不是失败，而是成功保留证据地址。

二十九、统计识别：WDM 是主读数，但不能替代层级模型

WDM 的优点是简单、可复算、能直接表达本章的核心对立；缺点也同样明显：一个差值会压缩丰富的多域轨迹。因此正式研究应把 WDM 保持为唯一承重读数，同时用多层模型估计它的来源。最小设计应在参与者、项目、说话人/语域和时间点上保留随机效应，目标响应可以使用二项或多项 logistic 模型；连续接受度或反应时则使用适合分布的层级模型。关键纪律是：模型可以解释 WDM，不能在看结果以后重新定义 WDM。

第一层检验是学习资格：目标域的延迟变化是否显著偏离零。若目标域根本没学到，即使排除域保持完美不变，也不能称为限域写入；那只是没有学习。第二层检验是泄漏：排除域是否沿同一方向发生系统改变。第三层才计算 WDM，把“学到了多少”与“错写出去多少”放进同一个差值。这样可以避免一个常见错误：以低泄漏奖励完全没学到的参与者。

多排除域时使用 max|Δexcluded| 而不是平均值，是一个刻意保守的选择。平均值会让一个严重泄漏被许多稳定域稀释，而本章关心的是边界最薄弱处。代价是对噪声更敏感，因此每个排除域需要足够试次并报告区间。未来若证据显示分位数或贝叶斯后验最大值比简单最大值更稳定，可以替换估计方法，但“以最危险泄漏而非平均泄漏裁决”这一逻辑不能在同一研究中事后改变。

因果识别还要求至少一个“内容相同、地址不同”的操纵。只比较两种不同材料，无法知道差异来自语言内容还是写域。最理想设计保持句面/功能关系基本相同，只改变说话人、来源标签、共同体、任务或体裁，并在延迟期撤掉这些提示。若仍能看到目标域选择性更新，才说明地址已经进入学习结构，而不是测试时临时读取标签。

最后，本章主动欢迎层级贝叶斯、混合效应或分布学习模型吸收 WDM。若一个成熟模型在不新增“写域”潜变量的情况下，能够事前预测每个目标域与排除域的延迟变化、域分裂和撤回事件，并且模型比较显示新增 LWD 没有增量价值，那么理论应降级。新概念的价值不在与模型竞争名字，而在逼出以前没有被同时测量的实验对照。

三十、伦理边界：写域不能把方言、口音和非标准变体重新变成等级表

“写域”最容易被滥用的地方，是把标准语当全局正确域，把方言、口音、青少年语言或族群变体当局部偏差。这样一来，看似精细的“域”只会给旧规范主义换一套技术语言。本章明确拒绝这种使用：域是一个经验性的使用—后果范围，不自带高低等级。某一变体在家庭、地区、身份共同体或艺术体裁中可以拥有完整合法性；标准形式在那些场景里也可能显得疏离、权力化或不合关系。

因此，目标域与排除域的金标准不能由研究者凭“标准/非标准”单方面划定。至少需要三类证据：真实语料的分布、共同体成员或领域专家的判断、以及该表达在目标任务中的交际后果。三者若冲突，应把争议本身留下，不得为了计算 WDM 强行二分。对活跃变化中的形式，可以预注册“未定域”并从主分析中退出，而不是把社会争议伪装成统计确定。

口音研究尤其需要谨慎。听者对陌生口音的适应可以提高可懂度，却也可能强化“某群体说话就该被特殊建模”的社会刻板印象。写域实验应该操作声学规律而非人口价值，避免把种族、国籍或阶层当作未经证明的天然域。若一个规律跨多群体存在，研究必须允许写域合并；若群体内部差异巨大，就不能让社会标签替代实际语言证据。

教学应用同样不应把 WDM 变成绩效排名。教师可以用它诊断“某条局部课堂规则是否被孩子错误推广到陌生场景”，却不能据此宣称某个孩子“边界感差”。指标指向的是材料—任务—时间组合，而不是人格。课程设计者更应承担责任：若教材长期去掉来源、只呈现单一标准场景，那么低 WDM 首先说明环境没有提供足够的边界证据。

最后，在医学、法律、航空等安全关键领域，窄写域有时是伦理要求。一个训练过的标准短语可能只在严格程序内合法，迁移到普通社交反而荒谬；相反，某些核心警示语又需要跨口音、跨设备、跨压力情境保持宽域。因而“写域越宽/越窄越好”都不成立。唯一可以评价的是：作用范围是否与真实责任边界相匹配。这个反单调原则也是本章防止指标被滥用的最后一道闸。

三十一、开放科学与预注册：怎样让“写域”不变成事后故事

写域最容易被事后解释污染：看到某个情境变化了，就宣布它属于目标域；看到另一个没变，就说它本来应被排除。为了避免这种无限适配，实验必须在收数据前冻结三件事：目标域清单、排除域清单、WDM=0.10 的支持阈值。语言事实的域划分要由独立语言学编码者完成，并公开争议条目；若编码者一致性不足，研究应先解决任务定义，而不是用参与者数据替自己决定金标准。

第二，所有“没有变化”的排除域都必须报告置信区间/后验区间，不能把不显著等同于稳定。本章的 WDM 在正式实验中应基于概率变化的点估计及不确定度；第一轮可以把 0.10 作为最小理论效应，后续多团队复现再调整。不同研究可以采用不同阈值，但每篇内部只许一个版本。

第三，原始材料、曝光顺序、域标签、预注册脚本和清洗规则应公开。因为写域研究本质上研究“同一材料在不同地址上的后果”，材料细节的不可获得会让复现失去意义。若涉及儿童、私密社群或敏感方言，开放可以通过去标识化、刺激描述与受限访问实现，而不是以开放科学名义公开可识别语音。

三十二、2031 年写死赌注：什么结果会让本章撤回

截至 2031 年 12 月 31 日，如果至少三个相互独立的研究团队，在至少两类语言对象（如语音与语法/语域）中采用“同一曝光 + 预注册目标域/排除域 + 无再暴露延迟测试”的设计后发现：WDM 在控制输入量、即时学习、来源可信度、一般语言水平和层级上下文模型预测后均稳定接近 0，且所谓“串域写入”完全可由一般学习率或检索相似度解释，则撤回“语言写域是语言习得的独立系统级对象”这一强命题。

以下不算命中撤回条件：只测即时任务；没有排除域；目标域在看结果后才定义；目标与排除材料在难度、频率或相似度上严重不匹配；研究把“没有显著差异”直接当作排除域稳定；或者只比较不同来源可信度而不测更新范围。反过来，如果未来研究只能证明 WDM 有用，却发现它完全等同于某个成熟层级贝叶斯参数，本章也应放弃独立本体名，把 WDM 作为已有模型的一种诊断读数。

三十三、自反检验：这篇论文自己的“写域”在哪里

本章的证据也必须有写域。三个面板提供的是选源与概念碰撞的索引材料，它们不能被写成语言学习机制已经得到实证验证；FDA、OECD、NARA 提供的是三个来源学科的外部方法证据，也不能直接推广为人类认知事实；2025 年儿童 speaker reliability 数据只负责杀死“可信来源二元过滤”这一候选，不能被写成支持 WDM。真正的语言机制证据目前只有邻近研究与待检实验原型。因此本章把自己的结论限制为“一个可证伪的新研究对象与协议”，而不是已经被证明的普遍定律。

三十五、结论：真正习得的，不只是“这个输入改变了我”，而是“它只改变了该改变的地方”

回到最初的问题：语言习得的本质是什么？监管科学提醒我们，证据的资格永远相对于用途；毒理学提醒我们，进入系统不等于全身结局，效应要沿路径传播并在某处停止；档案学提醒我们，同一记录可以有多重来源关系，选择与保存本身就在塑造未来。三家合起来，迫使语言学习研究承认一个此前常被总分抹掉的事实：输入不是一滴倒进同一个容器的水，它更像一笔带地址的修改。

因此，本章给出的系统级回答是：语言习得的本质，是语言写域的形成。学习者逐渐获得一种能力，使已经理解的语言遭遇不再无差别地改写整个系统，而是根据说话人、社群、语域、文体、任务和证据结构进入正确的更新范围。真正成熟的学习既能广泛泛化，也能精确不泛化；关键不在“越广越好”，而在“该广时广、该窄时窄”。

这使一个新的学习事件获得本体地位：限域写入。目标域发生了持久变化，而排除域没有被污染；那个“没有变化”的地方不再是实验的空白，而成为习得成功的一半。相反，最危险的失败也被重新命名：串域写入。一个学生可以在课堂里学得很快、说得很像、记得很牢，却因为把局部规律写成全局默认而在更大的语言世界里越来越僵硬。

最终，把全文压缩成一句判据：语言真正成为你的，不是因为每一个听懂的样本都进入了你，而是因为你开始知道——哪一种经验应该改写哪一部分未来。这句话若不能在多域延迟实验里被 WDM 区分出来，就应当撤回；若能，它将把语言习得的研究单位从“输入是否被吸收”推进到“输入的因果作用域如何形成”。

附录 B　WDM 最小数据表头

三十六、容忍原则与层级泛化：两位最危险的占位者

本章主张一次输入事件所能改写的未来情境集合是有结构的、可被判错的。这一主张有两条更早的形式化版本，本章此前只在近邻表里列名，没有正面处理。

其一，容忍原则。 Yang 提出了一条关于规则适用范围的可计算判据：对一个含 N 个成员的类，只有当例外数不超过 N 除以 N 的自然对数时，学习者才会把该模式表示为一条通则，否则改为逐项存储。这条原则用一个纯粹的计数关系回答了“这次经验该不该被推广到整个类”，而且已经在形态学、句法与儿童语料上做过检验。

与本章的重叠是实质性的：两者都主张泛化不是越多越好，而应与证据的实际适用范围匹配。分离线必须写在三处。第一，容忍原则的输入是类内成员数与例外数，本章的输入是情境维度上的延迟更新分布；一个类可以完全没有例外而学习者仍把它错写到不该改变的语域里，这在容忍原则里不是错误。第二，容忍原则的输出是表示形式的二分（通则或逐项），本章的输出是一个连续差值，且要求同时报告目标域学到了多少与排除域外溢了多少。第三，容忍原则不预期“学到了但写错了地方”这一格，因为它不设排除域测试。判决性预测：若在类内例外数完全匹配的成对材料上，仅改变来源标签、说话人或语域而使写域差发生系统变化，本章获得独立空间；若写域差完全由例外数与类大小预测，本章并入容忍原则。

其二，层级贝叶斯泛化。 Xu 与 Tenenbaum 把词义学习写成在一棵概念层级上的推断：同一批样例落在层级的不同高度上，会导出宽窄不同的泛化。这套框架天然包含“这次证据该改写哪一层”的问题，而且它与本章的另一位近邻——把鲁棒语音感知写成对当前情境生成模型的理性推断——共享同一套数学。

本章不能宣称第一次提出“泛化有层级”。本章的额外要求只有一条，但它足够硬：层级贝叶斯框架里，泛化的宽窄由后验推断同时决定，目标域与排除域不是两个独立的量；本章要求把它们拆成两次独立测量，并以最严重的一处外溢而非平均外溢裁决。这个选择是刻意保守的，也是可被推翻的：若在多排除域数据里，最大外溢与平均外溢给出的结论从不分歧，本章的这条纪律没有信息，写域差应退回为一个普通的泛化梯度参数。

三十七、与《语言的智慧》的跨书分界

“语言嵌态链”主张情境选中的意义沉积进关系组织、组织再回塑下一轮语言构象。它与本章都把“情境”当作结构而非背景噪声，是全书之外距离最近的一条。

分离线：嵌态链的读数在沉积物上取值——组织里留下了什么；本章的读数在未来分布上取值——哪些情境的期望被改写了。可分的交叉格：一名学习者可以在关系组织里沉积大量情境标记（嵌态读数高），却在延迟测试中把一次局部经验无差别地写进所有语域（写域差为负）；也可以几乎不留沉积物，而更新分配得极准。若这两格在实验上不可得，两个构念应合并，本章让位。