桂诗春等-2010-语料库语言学与中国外语教学

2010年11月November 2010

第33卷第4期Vol．33No．4

现代外语（季刊）

Modern Foreign Languages （Quarterly ）语料库语言学与中国外语教学

桂诗春

冯志伟杨惠中何安平卫乃兴李文中梁茂成

［编者按］

为推动我国应用语言学研究的新发展，教育部人文社科重点研究基地———广东

外语外贸大学外国语言学及应用语言学研究中心于2010年9月24-25日成功举办了“首届广外应用语言学论坛”，庆贺我国著名语言学家、应用语言学学科的开拓者桂诗春教授八十华诞。期间，举行了题为“语料库语言学与外语教学”的高层论坛，就语料库语言学的现状、发展前景及语料库的建设、共享、应用等展开了互动讨论。以下是根据专家发言，整理后的主要内容。

［中图分类号］H319

［文献标识码］A

［文章编号］1003-6105（2010）04-0419-08

语料库语言学的发展前景与资源共享

广东外语外贸大学

桂诗春

1．语料库语言学的发展前景

语料库语言学在外国和国内都发展很快，有的人选择了它作为发展方向，因为它的入门比较容易，上手较快；有的人把语料库语言学作为收集数据的重要手段。但是总的来说，我们的语料库研究还处在比较初级阶段，需要提高。究其原因是很多人把它看成是一种工具或手段，可以运用现有的一些现成的程序和公开的语料库，如Brown ，LOB ，Frown．

Flob ，

BNC ，CLEC ，只要选题得当，就能获得很多量化的数据，从而写出洋洋洒洒的文章来。在计算机和扫描仪的支持下，自行收集一些语言素材，建立一个特定的语料库，也不是什么难事。

我觉得，语料库语言学既是一种工具，但更是一门学科；它是对语言行为进行概率性归纳和概括的一门学科，它本身是跨学科性的，要做语料库语言学研究必须许多方面要有比较雄厚的基础。首先是数学和统计学。Herdan （1960）的一本早期著作，叫做《词次／词型数学》（Type ／token Mathematics ），其副标题就是《数理语言学教科书》（A Textbook of

Mathematical Linguistics ），当时还是前计算机

时代，但Herdan 觉得有两件语言事实值得我们注意：一是大量语言资料（language in

mass ），二是语言排列（language in line ），它们是任何语言运作都不能离开的两个方面。某些语言学研究分支如果考虑到这两个方面，将会从中获益。当时还没有真正的机读语料库，

Brown 的语料库在1967年才面世，美国心理

学家John Carroll 根据该语料库以及他后来参与制作500万词的AHI 语料库，所提出的词汇频数对数正态模型（lognormal model ）均源于Herdan 所奠定的基础。一直到最近美国Barber 利用计算机对英语语体的各种研究，更是利用了因子分析的统计方法。其次是计算机科学。语料库的发展离不开现代科学技术，其主要表现是个人电脑、扫描仪和大容量硬盘的普及，当初Brown 语料库要动用到大型电脑，而到如今，只需一万元左右就能在家里拥有这些设备，制作出甚至比Brown 还要大的语料库。但是我们往往只注意到硬件部分，而不认识到软件的建设。从事语料库语言学研究的人而不掌握一到两种编成语言，也不可能拓展他们的研究领域，因为他不能根据个人的研究需

语料库语言学与中国外语教学

1．双语料库的建设

我很赞同桂诗春教授的意见，积极推进语言资源的共享，语料库只有共享才能变成财富，如果把语料库的研究成果“藏诸名山，束之高阁”，只是一堆数据垃圾，必将自毁前程。桂诗春教授刚才提到宾西法尼亚大学的

Linguistic Data Consortium （我建议最好翻译为“语言数据联盟”，简称LDC ），是一个很好的供语料库语言学研究者进行交流互动的平台。在语言数据联盟和其他相关机构的帮助下，研究者们可以获得口语和书面语的大规模的语料。重要的是，在这些语料中还包括一些标注

过的语料，如宾州树库（Penn Treebank ），布拉格依存树库（Prague Dependency Tree Bank ），命题库（PropBank ），宾州话语树库（Penn

Discourse Treebank ），修辞结构库（RSTBank ）和TimeBank （我不知道TimeBank 这个名称如何翻译为中文）。这些语料库是带有句法、语义和语用等不同层次的标记的标准文本语言资源。这些语言资源的存在大大地推动了人们使用“有监督的机器学习方法”（supervised

machine learning ）来处理那些在传统上非常复杂的自动句法剖析（automatic syntactic parsing ）和自动语义分析（automatic semantic

双语语料库的建设与用途

国家教育部语言文字应用研究所

冯志伟

要，通过计算机自行编程来检验假设。此外，要做语料库语言学研究，文本分类（又叫文本分析或内容分析）也必须具备雄厚的基础。它的研究范围也很广，从信息的提取、组织、储存，文本（包括语体）的分析，社会舆论调查，著作归属到文本格式。这也牵涉到许多统计学知识和计算机知识。数理语言学和计算机语言学的研究对象是文本和语篇。有志于研究这门科学的必需具有这些基础训练，否则不会走得很远的。我觉得，当务之急是让我国语料库语言学的先行者们聚在一起，研究语料库语言学作为一门科学应该在什么层次上开设？它有什么基本内容？由哪些核心课程组成？只有规范语料库语言学专业的课程，按照这些课程设置来培养我国语料库语言学的学生，他们才能高瞻远瞩，取得真正的进展。

2．资源共享问题

语料库语言学对资源有很大的依赖性，为了促进语料库语言学在我国的发展，应该提倡资源共享。回顾语料库语言学在国外的迅猛发展，和资源共享有密切的关系。共享的方法有

多种：一是免费提供，最典型的例子是George

Miller 领衔制作的英语大型词汇数据库Wordnet 受到各方面资助，前后参与制作的不下一千人，而且还在不断完善。他们认为这不是一个商品，应该为公众所有。二是提供网上服务，整个语料库不提供，但是在网上可以自由检索获得数据，像美国Brigham Young 大学的Mark Davies 在他的网页上检索美国现代英语语料库、美国历史英语语料库、英国国家语料库、《时代》杂志语料库、西班牙语语料库、葡萄牙语语料库以供检索。三是成立语料库分配中心，收少量成本费提供语料库，像挪威的

ICAME （International Computer Archive of Modern and Medieval English ），美国的LDC （The Linguistic Data Consortium ），等等。一些语料库工具，如TACT 、LEXA ，Wordcruncher ，Wordsmith 、Antconc 也都很容易在网上获取。资源共享的理念是，只要有更多的人使用，我们所开发的资源、工具才能完善，学科才能发展。只有互通有无，才能共同协作，才能减少重复劳动，制作出更成熟的成品。

420