基于时空场景的话语文本数据库构建与应用研究

关 琳

(1.江苏警官学院 公安管理系，江苏 南京 210031；2.南京大学 中国智库研究与评价中心，江苏 南京 210093)

0 引言

对“话语”的研究，一直是各相关学科共同关注的热点领域。随着计算机技术的发展，这一领域逐渐成了交叉研究融合的热点。

人工智能时代，自然语言处理技术可以帮助计算机提升对“话语”的理解程度，而大数据文本技术可为研究者提供丰富的语料资源。二者的有机结合很好地辅助这项研究的实施。爬虫可以方便实时获取固定格式的社交媒体文本内容，以支撑“话语”舆情热点研究。通过爬虫获取英语国家Twitter“话语”，并以此为分析对象开展舆情研究的成果在Web of Science中不胜枚举。然而，“话语”的产生和表达与对象的文化、知识甚至是成长背景密不可分。其“话语”表达的思想存在时空关联性和场景特定性，无法追溯Twitter之外不同时空场景来源的“话语”是爬虫工具视角下欧美“话语”研究的短板。

由于各国社会文化背景的差异，“话语”的表达方式不尽相同。与欧美国家相比，东亚国家“话语”表达更为审慎和含蓄，“话语”传播以正式渠道为主，更容易追溯历史文本并开展宏观时空下的话语研究。当下，随着移动互联网的普及，社交媒体在“话语”宣传中占有重要位置，如何将文本分析与爬虫工具相融合，是东亚“话语”研究的重要议题。

为整合东西方“话语”研究的数据资源，解决“话语”研究的共性问题，本文拟提出一种建构在数据库基础上的融合研究框架，探索建立基于时空场景的话语文本数据库，融合爬虫工具，拓展“话语”历史文本与社交媒体文本内容的融合研究。

1 基于时空场景的文本数据库工具助力“话语”研究

国外收录“话语”的数据库工具较少，我国在这一方面资源相对丰富。这些数据库工具的共同点是具备新闻发布、信息检索、动态交互、资料分享、手机阅读等多重功能。作为我国“话语”面向公众的传播平台，这些数据库的功能十分丰富实用。但是就“话语”研究而言，由于产品定位，从功能上看上述数据库普遍缺乏基本的文本统计、计量、分析手段；从内容上看，其收录的讲稿仅仅局限于十八大以来的若干篇重要讲话；从信息的组织形式上看，也仅仅支持按照主题或时间的分类查询。由于缺少文本语料库的词表、索引等关键组件，未来也无法满足词频分析、文本挖掘等研究需要。因此，上述数据库系统的功能与“话语”研究的实际需求相差甚远，与本文探索建立的基于时空场景的话语文本数据库存在着系统功能、数据内容和数据组织形式上的显著差异。

2 基于时空场景的话语文本数据库设计

以重构“话语”的数字语境为目标，“话语”文本数据库应主要包括3个方面的内容：首先“话语”文献是一类专题文献要尽可能的扩充文本资源；其次从数据挖掘提升机制的角度出发要设计合理的标引策略；最后数据库在设计过程中要引入时间、空间和场景向量，便于后续开展计量研究。按照以上思路设计，基于时空场景的话语文本数据库系统如图1所示。

图1 基于时空场景的话语文本数据库系统

“话语”文本存在形式具有多样性特点，按照“话语”文本收集(处理)—保存—利用的流程需求，基于时空场景的话语文本数据库包括3个模块。

2.1 收集(处理)模块

收集(处理)模块的主要功能为数据采集和处理。“话语”广泛存在于各类专题库、新闻报道和网络媒体，数据采集层需要兼顾各种不同来源的“话语”采集需求。由于中西方“话语”传播方式和渠道的差异，数据库系统需要兼容爬虫和应用程序编程接口(Application Programming Interface，API)多种采集方式，以便于开展对包含社交媒体、新闻和专题库数据的采集。对于收集到的所有网络文献需要将其文本化，即清洗网页中的链接、图片等冗余内容只保留文本，这一步借助成熟的自动化工具完成。对于收集到的纸质文献需要将其标准化，利用光学字符识别技术(Optical Character Recognition，OCR)识别文字内容，将其电子化。

2.2 保存模块

保存模块的主要功能为数据保存和标引。由数据采集层采集到的文本是经过清洗和加工的标准化电子文本，需在数据保存层对其标引。首先，建立以分类词表为核心，其次，针对不同国籍和语种“话语”标引规范。标引工作以人工为主，抽词标引等自动化方法为辅。通过数据保存层的标引模块，可以将文本打上时间、空间、主题、场景、来源、类型等信息标签，便于后续开展研究。

2.3 应用模块

应用模块的主要功能是数据展示。利用前期经过文本清洗和标引的电子文本，可在该模块中开展基于内容分析法和文本计算法的定量研究，计量维度包括面向内容分析的词频统计、面向交叉主题分析的时空场景计量等。应用模块的建立可为社会科学各相关领域的“话语”研究提供工具支撑。

3 基于时空场景的话语文本数据库的应用

新西兰社会语言学家Janet Holmes[1]指出，在任意场景下参与者、话题、场景(社会情境)和功能这4项要素中至少有一个会对人们选择语言造成影响。基于时空场景的话语文本数据库可支持多维度全时空的“话语”研究，采用该工具可以快速分析出“话语”的核心重点。

以新冠肺炎疫情场景下的“话语”为例，对待和处理新冠肺炎疫情，世界各国采取了不同的方式，得到了迥然不同的处理结果。《纽约时报》在2020年4月26日发表了一篇题为“260000 Worlds，Full of Self-Praise，From Trump on the Virus”的文章，该文分析了自2020年3月9日新冠疫情在北美全面爆发以来的相关公开语料，并将这些“话语”分为自我夸耀、同情受害者、指责他人和传播错误信息四大类，通过计量方法指出在总量约为26万词的话语中，自我夸耀的话语达600余次[2]。

以基于时空场景的话语文本数据库收录的“话语”为研究对象[3]，自2020年初新冠肺炎疫情暴发以来，系统通过爬虫工具收集新华网报道关于疫情的“话语”文本共62篇。通过文本清洗、去除无意义高频词，开展词频分析可以发现，在抗击新冠疫情期间，“人民”一词共出现32次。可见在“话语”中反复提及的“人民”一词无疑是我国抗击新冠疫情“话语”的核心重点。通过“话语”对比研究，各国的抗疫主题略见一斑，并可以较好地解释当下各国疫情处理的现状差异。

4 结语

“话语”研究在国家政治、经济、外交等方面对政策的解读有重要的意义。本文探索构建的基于时空场景的话语文本数据库，为我国“话语”研究和宣传提供了新的视角，可支撑人文社会科学各领域的基于时空场景的“话语”研究，同时也促进了我国“话语”的宣传和传播。