附录一 从数理语言学看后四十回的作者——与陈炳藻先生商榷
1980年6月，美国威斯康星大学的陈炳藻先生在首届国际《红楼梦》讨论会上发表了《从词汇统计论证红楼梦的作者》一文，他借助电子计算考察《红楼梦》前后用字（词）的相关程度，认为后四十回也出自曹雪芹之笔。[1]
陈先生按章回顺序将《红楼梦》的1—40回、41—80回、81—120回分为A、B、C三组，为了证实统计方法灵敏有效，还配上了D组《儿女英雄传》。各组主体总字数经随机抽样约为8万字，即从《红楼梦》中抽出的字数约占全书的8%。然后再从各组中勾出虚词、副词、形容词、名词、形动词等词类,借助计算机排字统计，最后得到各组合相关表（见下页）。前八十回与后四十回用字的正相关达2次，占78.57%,因此陈先生认为后四十回也出自曹雪芹之笔，而前八十回与《儿女英雄传》用字的正相关只有9次,占32.14%，因而认为此统计方法是有效的（对组合B、D正相率达到42.85%，陈先生未做解释）。
陈先生创造性的工作是值得赞赏的。马克思说过：“一种科学只有在成功地运用数学时，才算达到了真正完善的地步。”[2]作家写作时,某处用这个字（词）或那个字（词），都带有很大的偶然性，而这大量的偶然性中却隐藏着某种客观规律，即该作家在其写作生涯中形成的独特的文体特征。研究大量偶然性事件中客观规律的科学是概率论，数理语言学是它向语言学渗透的结果。因此,数理语言学能用函数刻画作家的文体特征，从而能对作品的真伪做出判断。1960年代,英国文学史上一大悬案的解决，即《朱利叶斯信函》作者的确定，显示了此法的实用价值。因此在用各种方法探讨后四十回作者究竟为何人时，陈先生从数理语言学进行考察不仅是可行的，而且也是必要的。但纵观其工作方法，有些问题似可商榷。
第一是抽样。陈先生从A、B、C三组中各随机抽取出约8%的文字统计分析，以此推断A、B、C这三个主体是否同一。用统计学的术语说,就是以A、B、C三组为三个母体，而以抽取的文字作为子样，从子样的性质来判断母体的性质是否同一；从而判断作者是否同一。这种方法用于一般问题并无差错,但以此研究《红楼梦》前后两部分作者是否同一却欠妥当，因为后四十回情况较为特殊。首先,据程伟元声称,这是曹雪芹的原稿,他与高鹗只不过做了“细加厘剔，截长补短，钞成全部”的编辑工作。该声明的可靠程度目前尚有争议，因此统计分析时必须考虑到可能含有曹雪芹的残稿的因素。其次，即使后四十回均为高鹗续作，但为了能假托曹雪芹之名与前八十回一起刊行，高鹗也可能会着意模仿曹雪芹的某些写作手法。如果只抽取8%的文字，就有可能正好抽到含有较多残稿的文字（如果确含有残稿且数量不多的话）或高鹗模仿得较为成功的部分。这样，即使被抽取的文字的性质与从A、B两组所抽取的性质类似，也难以据此认为后四十回均为曹雪芹所写。为了保证结论的可靠性，显然应该分别以曹雪芹和后四十回作者的写作习惯为母体，而以整部《红楼梦》作为子样，即应对全书进行统计分析。
第二是检验的项目。14次测验对判别《儿女英雄传》的作者不是曹雪芹也许可以，因为文康的创作与曹雪芹毕竟是毫不相干的。但由于后四十回的特殊与复杂，检验的项目就应该多些，还必须包括一些作家自己也意识不到的文体特征，如平均句长。因此，无论14这数字本身或其包含的内容,都使人感到似乎少了一些。
第三是分布。《红楼梦》全书共有729，604字，105，994句[3],作为子样来说，容量十分巨大。由Lindeberg中心极限定理可知，各字、词或一定长短的句子在书中的出现一般服从正态分布，它由两个参数：均值μ（统计时常用频率代替）与方差σ2[4]决定。这是统计的基本常识，犹如红学家知道《红楼梦》的主人公叫宝玉与黛玉。人们容易理解频率而不清楚方差，但决不能因此置方差于不顾，因为这会导致错误。如“的”在前后两部分出现的频率只相差0.003，但它在A、B两组服从同一分布,而在C组却不服从该分布，这表明“的”在前后两部分出现的规律不一样。因此，不考虑方差所得结论的准确性是值得怀疑的。
正由于有以上疑问,笔者对《红楼梦》全书重新进行了统计分析，所依据的是人民文学出版社1982年3月的新版本。该本前八十回以庚辰本为底本，第六十四、六十七回缺文由程甲本补配，后四十回则采用程甲本。统计时,A、B、C三组的分法与陈先生相同。由于第六十四、六十七回采用的是程甲本,因此这两回不包括在B组之内。这样，各组的字、句数如下表。各组字、句数之差与组总字、句数相比显得很小，因此这样分组检验是合理的。