创建子语料库,促成对比研究

许家金 梁茂成

(北京外国语大学,北京,100089)

1.问题缘起

对比分析(contrastive analysis)是语料库语言学的常见方法和分析视角。国内语料库学者谈及对比方法,最容易想到“中介语对比分析”(Contrastive Interlanguage Analysis,简称CIA)和“英汉对比研究”。中介语对比时,需要比较英语母语和学习者中介语的语言特点,或比较不同母语背景的外语或二语学习者的中介语,还可能会比较语言水平较低和较高的中介语表现(Granger 1998)。英汉对比时,可能会比较翻译的双方向(汉译英、英译汉)语言表现(Baker 2000;王克非2006),也可能对比英汉语料内部的不同语类,如小说类语料或者科技类语料。在进行对比研究时,语料通常是分别存储的,研究者只需对两批语料分别检索,再对比数据和语言特点即可;若试图在语料库内部再做对比(比如四级和六级学生作文的对比、小说类科技类对比),则需将大的语料库拆分成若干小语料库,或者从大的语料库中抽取符合条件的子语料库(sub-corpus)。

比如,“英国国家语料库”(British National Corpus)是一个集英国英语口语和笔语的大型通用语料库。Rayson,Leech 和 Hodges(1997)利用该语料库进行了一项社会语言学研究。在该研究中,研究者对英国不同性别的对话口语进行了对比和分析。因研究问题所需,先从通用语料库中抽取对话口语,然后再区分对话者的不同性别,建成了两个子语料库——英国男性对话口语语料库和英国女性对话口语语料库,以满足对比的需要。

子语料库的创建正是本文要讨论的主要问题。在实际研究中,视研究的需要,常常依据某种条件从一个大的语料库(如通用语料库)中抽取若干个符合条件的文本构建一个子语料库,以达到对比的目的。对语料库的拆分和抽取,可以拓展语言对比的研究层面,同时引发新的研究选题。

2.语言对比的层面

语言对比涵盖范围很广。本文以探讨学习者语言对比和英汉语言对比为主,并着重讨论创建子语料库的操作方法,从而服务于语言对比研究。以往的检索工具多数不能对语料库中的特定文本,或文本中的特定内容进行检索,因而限制了多层面的语言对比研究。这是基于语料库的语言对比研究中缺失的一环。如能从技术上简化创建子语料库的方法,则能有效弥补这缺失的一环,同时还能扩展语言对比研究的层面。

以下将通过一些具体的研究选题,展示对比在语言研究中的重要性,以及语言对比研究的层面。之后,本文将就其中一些选题,简述如何通过创建子语料库,促成对特定语言内容的考察和对比。

利用语料库,可进行多个层面的语言对比分析,比如:

A) 出现较多动宾搭配错误的学生语言特点研究;

B) 使用较多复杂句的学生语言特点研究;

C) 英美新闻语料中有关中国崛起(或中国威胁)的报道;

D) 学习者语料库中成绩居前30%与后30%的语言特点对比研究;

E) 中国学生英语口语复述与其英语会话之间的话语特征比较;

F) 不同主题作文之间的语言特点的异同;

G) BNC中少年与成年话语的对比研究;

H) 《时代周刊》中2001年9月11日(911事件)前后新闻报道的异同;

I) 新闻语料中的社论、评论与现场报道话语的异同;

当然,还有基于复合条件的语料分析。比如,

J) 不同年龄女性话语中的被动用法。

综上,有关注语料文本内部语言特征(如A、B、C)的研究,有基于语料文本外部特征(也称为社会语言学变量)(如D—I)的研究,以及综合语言特征和社会语言学变量(如J)的研究。

3.子语料库的创建

要获得上面选题所需的研究语料,有不同的思路。一些在线语料库检索系统(如http:∥corpus.byu.edu/)可按文本外部特征分别检索和呈现结果。比如,《时代周刊》语料库(1923-2006)就提供了按年代进行检索的设置。因此,检索terrorism,bin Laden就会得到2001年前后明显不同的语言分布,进而还可以分析2001年前后这两个词的典型搭配的情况。然而,在线语料库的使用只能是“因陋就简”,网站提供怎样的选项设置,使用者就只能在给定的范围内使用。比如,若要对比BNC中男性与女性话语的特点,利用http:∥corpus.byu.edu/bnc/就无法实现。在线语料库检索界面的设计者,不可能考虑到各个用户的不同需求。因此,利用语料库中的元信息等创建子语料库,才能使我们的研究需要得到满足。

3.1 语料库元信息的结构与内容

如果用户电脑上存储了相关的语料库(如BNC、CLEC、SWECCL等),希望从这些语料库中提取所需的语料,创建子语料库,本文提出一个简便易行的方法。其核心是获得所需文本的文件名。文件名可以通过两种方式获得,即“基于元信息”和“基于内容检索”。两种方法都需要通过检索实现,前者的检索针对非语言特征,后者针对语言特征。

虽然,语料库的格式多种多样,主要有:纯文本格式、SGML格式、XML格式等,但一般都有元信息标注,常见标注格式如下:

CLEC