网络语料库分析系统CQPweb的建设及应用

刘萍　吴良平

摘要：新一代网络语料库分析系统CQPweb具有词频分析、搭配分析、分布分析、索引行以及主题词分析等多种分析功能。CQPweb于2014年首次引入国内，目前国内已建成三个CQPweb，更多语料库研究者期待着创建自己的CQPweb。鉴于此，本文以HZAUCQPweb为例，详细介绍了CQPweb的创建流程，所要求的环境条件、技术要求、CQPweb的体系结构、管理权限等。HZAU CQPweb建成后，被应用于学术写作教学，探讨了CQPweb的三个主要分析功能，即词频、搭配、分布分析功能在解答写作困惑方面的作用。应用研究揭示：基于CQPweb的数据驱动学习在提高学生的语言意识、促进主动学习和知识内化等诸多方面优势凸显。本研究旨在促进CQPweb在国内的推广应用。

关键词：CQPweb；平台建设；数据驱动学习；学术写作教学

一、引言

近年来，随着计算机技术的进步，语料库开发与建设迅猛发展。然而技术门槛与版权问题阻碍了语料库资源的共享。最新一代网络语料库分析系统CQPweb极大地简化了语料库检索操作，很大程度上消除了技术障碍。同时，CQPweb将语料库文本储存于网络服务器，用户无法复制或重构语料库文本，使语料库版权得到保护。因而，有很多语料库研究者期待架构自己的CQPweb，上载自建的语料库，用于教学与科研。鉴于此，本文以HZAU CQPweb为例，介绍CQPweb的建构流程及其应用。集易用性、兼容性与强大功能于一体的CQPweb特别适合数据驱动学习（data-driven learning）。在教学中采用CQPweb，引入数字驱动学习的教学理念，将促进教学方法、教学手段的更新。CQPweb充分利用数据索引，能对大规模文本进行快速处理，符合大数据时代特征，代表着今后语料库分析工具的发展趋势。

二、概述

1.cQPweb的发展历程

CQPweb是第四代基于网络的语料库分析系统（McEnery&Hardie 2012：44），其主要分析功能包括：索引行、搭配、词频、关键词、分布分析等。CQP（Corpus Query Processor）最初由德国斯图加特大学于1994年在Solaris平台开发（Christ 1994）。1998年，StefanEvert以Linux为平台继续开发（Evert 2008）。2006年Hoffman&Evert结合了两个单独的查询技术语料库工作平台Corpus Workbench（CWB，CQP为其核心组件）和MySQL关系数据库，产生了新一代以CWB/CQP和MySQL为后台的语料库分析系统BNCweb，既提高了系统的操作性能，又给予CWB/CQP一个更友好的用户界面。但是，该系统只能检索英国国家语料库BNC，不兼容其他语料库。为了突破此局限，兰卡斯特大学Andrew Hardie用PHP语言改写了BNCweb，更全面的数据模型使其兼容几乎所有类型的语料库，他将改进后的系统命名为CQPweb。2008年，首个CQPweb问世，它以开源软件形式发布，此后不断推出新版本。

2.cQPweb的优势特征

CQPweb采用浏览器一服务器的分布式数据处理方式，能实现跨平台检索，在功能性、易用性、灵活性三个方面实现了重大突破。Hardie认为对语料库兼容并收的灵活性是CQPweb的主要创新特点（Hardie 2012：380）。相对于其他语料库分析工具，CQPweb优势突显。目前广泛使用的第三代语料库分析工具，

如WordSmith Tools、MonoConc、AntConc等，虽然拥有良好的图形用户界面，易用性高，但是它们不支持数据索引或复杂检索，因而检索速度和功能大为逊色。还有一些语料库工具虽然检索功能强大，但易用性差。例如德国斯图加特大学的CWB/CQP支持大型语料库的快速、复杂检索，但其检索技术门槛高，多数普通研究者不会使用。另外一些语料库检索工具虽然易用，并且功能强大，但是兼容性差。例如上述BNCweb仅能针对BNC检索，无法加载用户自建语料库。相比之下，CQPweb以常人熟知的浏览器为用户端，采用标准化的语料格式，能加载和检索任意语料，在功能、易用、灵活三者之间取得了较好平衡，成为目前功能最为全面的网络语料库分析系统。

3.国内外cQPweb的开发与应用

在国外，CQPweb以其独特的优势受到用户青睐，目前，英、美、德、西班牙、加拿大等多个国家的大学和研究机构采用了CQPweb，服务于教学和科研（许家金、吴良平2014：12），取得了良好的效果。例如兰卡斯特大学在语料库语言学教学中采用了CQPweb，因为语料库检索操作被大大简化，学生有更多精力聚焦于教学内容本身，因而学习效率得到提高（Hardie 2012：387）。另一方面，CQPweb的兼容性极大地拓展了其适用范围，它甚至成为人文科学、社会科学领域研究者的研究利器。例如Maatz（2014）利用CQPweb进行对比研究，发现精神分裂症患者对第一人称代词“I”的使用多于正常人，这一发现有助于精神分裂症患者的病理研究。

在国内，CQPweb作为一个新概念、新事物，2014年由许家金、吴良平（2014）发表的专题论文首次引介。同年，国内第一个CQPweb系统“北京外国语大学多语种在线语料库检索平台BFSU CQPweb”问世。该系统公开发布了代表7种语言的33个不同类型的语料库，促进了语料库资源与工具的共享，同时促进了基于语料库网络平台的语言研究。在BFSU CQPweb示范效应的影响下，香港理工大学、华中农业大学也先后架构了各自基于校园网的CQPweb。这些先驱CQPweb系统使国内语料库研究者体验了CQPweb的强大功能、便利操作，以及它对语料库版权有良好的保护，因而激发了一批语料库研究者创建CQPweb的热情。他们纷纷在论坛、网站等学术阵地寻求创建CQPweb的技术与流程。然而，现有的相关文献少之又少，仅有的一篇中文文献（许家金、吴良平2014）未有涉及CQPweb的具体创建流程及其在学科教学中的具体应用。

鉴于此，本研究详细介绍华中农业大学CQPweb（以下简称HZAU CQPweb）的创建流程及应用研究，旨在为同类研究提供参考借鉴。

三、H7AU GOPweb的创建流程

HZAU CQPweb为农科英语语料库网络系统平台，采用CQPweb v3.0.7作为建构基础。建构网络型CQPweb需要两个基本条件：（1）CQPweb系统；（2）CQPweb专有格式语料库。CQPweb（自带安装说明文档）可从其官方网站自行下载与安装。专有格式语料库安装到CQPweb系统后，用户方能检索。以HZAUCQPweb为例，我们从环境条件、技术要求、体系结构、管理权限等方面阐述CQPweb的建设流程。

1.创建cQPweb的技术参数与准备条件

CQPweb系统实为运行在Linux操作系统的一套开源程序，其主要构成元素为后台OpenCorpus Workbench 3.0+和用户界面CQPweb。软件条件为：GNU Linux 2.6+、Apache-2.0+、MySQL-5.0+、PHP5.3+、Perl-5.8+。硬件条件为：32位或64位Intel/AMD处理器、双倍于语料库大小的空闲硬盘空间，以及适量内存（假设1亿词次规模的语料大小为1GB，将其架设在CQPweb平台上所需的硬盘空间则约为2GB。依此类推）。HZAU CQPweb采用64位Linux，4GB内存，目前运行良好。

CQPweb可处理复杂数据类型语料，但对输入文件格式要求严苛。在上载文本前，需要对文本进行清洁与处理，以减少出错几率，涉及多个步骤：（1）删除源文本中的页眉、页脚、图表及说明、参考文献等语言学信息不强的部分；（2）切割与提取论文的各章节部分；（3）统一采用UTF-8编码；（4）去除空行、行首与行尾空格等空白；（5）转换全角符号至半角；（6）删除异字（如英文文本中夹杂的汉字）；（7）添加词性赋码；（8）转换语料格式为CQPweb专有格式。专有格式是CQPweb能加载任意语料，成为通用语料库分析系统的关键。其中论文章节部分的切割、提取需要专业背景知识。HZAU CQPweb建设中，调动了不同农科专业方向的博士生参与此项工作，以确保语料提取、加工的质量。

2.HZAU cQPweb两个数据模型与语料库的三层构架

CQPweb的检索功能的实现依靠两个数据模型：语料库文本数据模型和语料库元信息模型。前者支持一般检索，后者支持分类检索。两个数据模型的结构描述如下：

语料库文本数据模型采用一行一单词的竖排格式，每个单词后面可带词性、词形还原等若干标注成分（Hardie 2012：390）。在文本数据模型中，每个单词都标注了词性赋码，单词与词性赋码之间由制表符分隔，并排成CQPweb专有竖排格式。

语料库元信息指与语料相关的文本结构信息或社会语言学信息，如章节号、刊物来源等信息。语料库元信息模型分为两栏，左边为文本的ID，右边为文本的学科分类元信息。如果有一文本的ID为D01，其对应的学科元信息为DWKX，那么元信息模型中的D01DWKX解读为“动物科学（DWKX）文本库中的第1个文本”。文件ID与元信息之间由制表符分隔。元信息用于CQPweb限定条件检索（Restricted query），例如将带有DWKX（动物科学）元信息数据的所有文本可作为一个学科大类进行检索。HZAU CQP web能够实现章节部分的分类检索也是基于同样的原理。

上述两个数据模型运行在CQPweb后台的服务器上，而在HZAU CQPweb前端的浏览器网页上（http：//211.69.132.28/）呈现给用户的是语料库的三层架构：第一层是农科专业期刊论文语料库，收录英语母语者发表的期刊论文。第二层是汉语母语学习者语料库，收录农科专业的硕士生、博士生撰写的英语学术论文。这两个语料库构架一样，均由按照章节部分和学科分类的两个子库构成：章节子库包含摘要（ABS）、引言（1NT）、方法（MET）、结果（RET）、讨论（DIS）、结论（CON）6个库；学科子库包含植物科学（ZWKX）、动物科学（DWKX）、生命科学（SMKE）、园艺林学（YYLX）、农业经济（NYJJ）等9个库。第三层是对比语料库，包括经过授权的英语母语学习者语料库BAWE和文学作品语料库DICKENS，主要用于对比研究。

3.cQPweb的系统结构与管理员权限

作为一套开源程序的集合，CQPweb系统主要分为服务器端和用户端两个部分，包括多个相互联系的组件。检索过程开始于用户在浏览器的用户界面输入查询语句，服务器端收到查询请求后，与CWB和MySQL两者进行交互，将最终结果通过浏览器呈现给查询用户，至此检索完毕。在检索过程中，用户的任务仅为输入恰当查询语句（参看许家金、吴良平2014：14），而后一切交由CQPweb自动运行处理。

系统管理员权限为：（1）语料库管理；（2）用户管理。在语料库管理方面，管理员可安装、修改、删除语料库，根据需要随时展示或隐藏特定语料库，还可以修改系统配置文件，对用户界面进行视觉效果调整。例如使用不同背景颜色区分不同语料库，降低认知负荷，便于同一系统上大批量部署语料库。在用户管理方面，系统管理员可创建单个用户或批量用户，并根据实际需要对用户进行分组，赋予不同访问权限，例如仅对某一特定用户组开放某一特定语料库。这种灵活的用户组策略便于管理不同权限的语料库，也为同一系统部署不同权限的语料库提供了可能。

四、COPweb的多种分析功能在学术写作教学中的应用

HZAU CQPweb建成后，我们将其应用于农科专业博士生学术英语写作课程教学，在教学中，引入数据驱动学习（Data DrivenLearning，简称DDL）的教学理念。数据驱动学习由Tim Johns（1991）提出，其主要思想为：学习者作为研究者，通过对大量语料数据的观察，自己归纳、发现语言使用规律。教师作为引导者，为学生提供语料库资源与工具，指引学习者探索、发现。在DDL教学理念的指导下，传统上由教师讲授的部分内容被转化成学生的自主学习任务，以促进学生借助语料库，自己探求语言困惑的答案，从而掌握DDL学习方法，达到授人以渔的目的。

采用DDL的学习方式后，教师引导学生尝试利用CQPweb平台上的各种检索分析工具，如词频、搭配、分布、索引行以及主题词分析等，解答写作实践中的疑问。限于篇幅，在此仅展示CQPweb的三个主要的分析功能：词频分析、搭配分析与分布分析在写作教学中的应用情况。

1.词频分析与搭配分析

在英语写作过程中学生常遭遇选词与搭配方面困惑，例如学术英语论文写作中一篇论文常要多次用到“研究”一词，写作者常纠结于多用research，还是多用studV，表示“关于……的研究”这两个名词到底与介词of还是on的搭配更为频繁？英、汉母语写作者在选词与搭配上有无差异呢？CQPweb的检索结果如表1所示：

cQPweb的频数解析（Frequency breakdown）功能显示的数据表明：表达“研究”之意时，英、汉母语者都更多地倾向使用study（studies）而不是research（es）。study of的出现频率比study on高。相反，research on的搭配比research of多。虽然英、汉母语者对这二词的选词与搭配倾向总体一致，但是期刊论文语料库与学习者语料库的对比结果表明：英、汉语母语者在搭配用法的频次上存在显著差异，汉语母语者使用studV on、research on以及research of这三词的搭配显著高于英语母语者（p

频次与搭配分析结果不言而喻地解决了学生写作中选词用语的困惑。CQPweb分析数据呈现出英、汉母语者在语言使用上的差异，揭示出汉语母语者总体上存在对某些语言现象的过度使用或误用。该分析有利于学生提高其语言敏感性，使其有意识地在选词用语上接近英语母语者，从而提高语言使用的准确性和适切性，该分析也有利于教师提高教学针对性。

2.分布分析

本研究中的学术英语写作主要涉及科技英语论文写作。时态的使用时常困惑着科技论文的写作者。把握不同时态在科技论文各部分的总体分布，有助于提高时态使用的准确性。现在时与过去时是科技英语论文最常用的两种时态，这两种时态在科技论文不同部分的分布情况如何呢？

科技英语论文常用被动语态，作为被动语态标志的be动词在科技论文中使用频繁，具有一定的代表性。我们不妨以be动词的现在时和过去时为例，研究两种时态在科技论文各部分的分布情况。我们以is和are代表现在时（科技论文中少有be动词的第一人称单数形式am），以was和were代表过去时。CQPweb的分布分析功能（distribution）以图表形式呈现出be动词的现在时与过去时在论文各部分的分布情况如下：

图1显示：be动词的现在时在讨论（DIS）、引言（INT）、结论（CON）部分用得较多，在结果（RES）使用较少，方法部分（MET）使用最少。图2的显示结果与图1互补：be动词的过去时在方法部分（MET）使用最多，结果部分（RES）次之，在结论（CON）和讨论（DIS）部分较少。从DDL教学理念出发，在学生观察CQPweb提供的数据及图表之后，教师应引导学生对数据进行讨论分析，以便学生自己发现时态使用的规律。讨论得出以下结论：时态的使用因论文各部分写作内容的差异而不同：方法部分主要描述实验材料的获取，陈述事件，因而多用过去式；结果部分描述瞬时观察到的事实与数据，具有时效性，因而多用过去式；结论部分描述对观察结果提炼后得出的一般规律，因而多用现在时。

传统教学中，时态的使用规律往往由教师传授，采用DDL学习方法后，语言使用规律通过学生自己观察、讨论而发现。数据驱动的探究式、发现式的DDL学习方式比教师的生硬灌输更能发挥学习者的主观能动性，促使学习者主动探究，有利于语言知识内化吸收。而CQPweb系统平台为DDL学习提供了便捷条件。

基于HZAU CQPweb的学术英语写作课程结束后，DDL学习情况的问卷调查结果表明：总体来说，师生对教学中采用CQPweb持积极肯定的态度。师生一致认同：利用CQPweb提供的语料库资源与工具，进行数据驱动学习，有利于提高教学的针对性和学生的语言意识、促进主动学习和知识内化。但是，HZAUCQPweb的实际应用也表明：初次使用CQPweb的师生普遍认为语料库检索操作仍然不够方便，对词汇层面以上语言现象的检索感觉困难。

五、结语

本文概述了新一代网络语料库分析系统CQPweb的发展历程、功能优势、国内外CQPweb的开发与应用。总体而言，CQPweb在国外发展快，应用广，在国内处于起步阶段，尚需推广。本文以HZAU CQPweb为例，介绍了CQPweb的建设流程，包括建设的环境条件、技术要求、体系结构、管理权限等。HZAUCQPweb建成后，应用于学术英语写作教学。应用研究表明，师生普遍认同CQPweb对写作教学的促进作用，支持基于CQPweb的数据驱动学习方式，同时，用户也反映CQPweb易用性有待进一步提高。目前，作为新生事物的CQPweb的开发与应用发展迅速，几乎每月都有新版的CQPweb推出（源自CQPweb系统信息）。国内学者应该实时跟进国外的新发展，同时也尝试开发一些本土化的分析功能，以满足国内基于网络语料库分析系统的语言教学与研究之需。