王克非：構建新型的歷時復合語料庫

作者為國家社科基金重大項目“大規模英漢平行語料庫的建立與加工”首席專家、北京外國語大學教授

20世紀語言學研究，從索緒爾開始，獲得極大的進展。其中在方法和工具層面的進步，以語料庫的研制與應用最具標志性意義。隨著現代計算機技術的發展，單語語料庫研制從20世紀中葉起步，至今已助力語言學研究取得不少新成果。雙語語料庫雖然遲至20世紀90年代上路，但勢頭很強，帶動了雙語對比、翻譯及雙語詞典研編等一系列研究。

語料庫研制存在的問題

目前國際上雙語語料庫研制的主要問題：第一，語料庫大多文本來源單一、標注比較簡單，且多為歐洲語言，其他雙語語料庫甚少，主要用於語言識別、文檔級對齊、術語提取等自然語言處理研究，而非從語言學和翻譯學角度研究語言與翻譯問題。第二，少數雙語語料庫開展了相應的語言與翻譯研究，但雙語語料庫在質和量上都有待提升。第三，語言是發展變化的，在外語和翻譯的作用下，語言之間的各種接觸可能導致語言發生另樣的變化，原生語言和翻譯語言也存在種種的相似和相異。國際上現有的雙語語料庫或是缺乏歷時語料，或是語料庫庫容有限，上述研究課題也就懸而未探。第四，現有的無論單語還是雙語語料庫，很少做合成架構，即要麼是單語或雙語的，要麼是平行或類比的，少見組合，不利於語言和翻譯發展變化的考察和比較。

針對上述問題，尤其是第四個問題，有必要思考如何突破語料庫研制的局限性。構建新型的歷時復合語料庫，就是我們最新的嘗試。

歷時語料庫可提供各時期語言的相互比較，發現語言運用的變化及其過程，為語言變化考察、翻譯研究以及翻譯語言與目標語之間的互動，提供客觀的描寫和可分析的數據。在中外歷史上都有不少翻譯與目標語演化關系密切的案例。已往研究的語料來源不夠豐富，考察范圍有限，研究的深度和廣度大受制約，對原生漢語同翻譯漢語間的互動關系也缺乏了解，而這些都有望通過歷時語料數據的獲得和分析取得新的突破。

由此可見，研究語言及其變化不僅需要設計合理、規模較大的語料庫，還需要平衡的歷時語言素材。國際上，應對這一需求的歷時語料庫近些年開始構建。第一個歷時語料庫AVIATOR在1990年由伯明翰大學研制成功，另一個歷時語料庫ACRONYM於1994年建成。這兩個語料庫都使用連續出版的報刊為語料。代表性更強、跨度長達300多年的平行英語語料庫（ARCHER）、4億字詞的美國英語歷史語料庫（COHA）也陸續建成。但是，單語的歷時語料庫還不能解決雙語的和翻譯的問題。例如，現代漢語（包括翻譯的漢語）的發展變化，單從歷時語料庫還不能很好地考察，應加入更多的比較成分，如英語源語的因素、漢語譯文的變化和漢語原文的變化，三者之間形成全方位的比較研究，才有可能更充分地描寫和分析。因此，不僅要構建歷時的語料庫，還應設計復合的歷時語料庫。

歷時—復合：語料庫研制的一大突破

新型歷時復合語料庫的構建是語料庫研制的一項重要突破，國際上在這方面剛剛起步。德國學者尤莉安娜·豪斯項目組近年構建了一個小型歷時復合型語料庫，共550篇文本、80萬詞。但因語料庫容量小，語料不夠平衡，時間節點不清，目前僅開展了初步的德英/英德翻譯研究和語言接觸研究。大規模英漢平行語料庫——英漢雙語的歷時復合語料庫，可以有效地解決上述語料庫簡單、語料庫質量以及語料庫的歷時考察和復合對比研究等問題，為翻譯與目標語之間的互動建立比較完整的描寫和分析框架，使多層面、系統性的翻譯和語言變化歷時研究成為可能。

歷時語料不是隨意將各時期語料收集即可，需要平衡和分期。就漢語來說，語料的歷時平衡要通盤考慮現代漢語發展的實際情況，分期採樣，以便所建語料庫能反映出現代漢語的發展軌跡，並在英漢平行語料庫的基礎上探究英漢語言接觸及英語通過翻譯對漢語發展產生的影響。在語料、庫容、架構、歷時、復合等方面必須突出自己的建庫特點，突破國際上一般雙語語料庫的語料選取和語庫架構等方面的局限，還要避免英國國家語料庫（BNC）由於歷時連續採樣而造成的各階段差異模糊的缺陷。

我們的設計思路是，在庫容上達到1億字詞，含百萬字詞的口譯語料，並進行深度加工標注。除了語料平衡和庫容巨大這兩點外，歷時復合是創新亮點，復合即平行語料、類比語料、參照語料三結合，而非單一的平行語料。我們從漢語和翻譯發展的動態研究出發架構歷時和復合的語料庫：將20世紀100年間的漢語語料分成三個階段，約30年為一個階段，重點採集各階段某10年的語料，各階段收集：（1）英漢平行文學語料400萬字詞。（2）漢語原生文學語料200萬字詞。（3）再輔以19世紀未受現代翻譯影響的原生態漢語文學語料200萬字詞，以及不諳外語的單語作家語料100萬字詞，合計近2000多萬字詞。

歷時復合語料庫的構建除了注重時間段的劃分,還需在語料取樣上考慮雙語文本和翻譯研究的特定，即不同於一般的單、雙語語料庫，並需要考慮漢語早期白話文語料（包括翻譯文本）有限，本研究在語料取樣時做了適當變通，擴大了採樣數量。英漢歷時翻譯語料庫樣本結構參照Brown語料庫，樣本大小參照挪威語/英語平行語料庫（The English-Norwegian Parallel Corpus，ENPC），大多數樣本為15000英語詞和對應的25000漢字，漢語譯文取樣最多不超過30000字，一般從正文起始部分開始連續選取。

構建新型語料庫時，還需要相應的語料庫技術支撐，需要綜合型的便捷檢索平台。例如充分調用篇頭（Header）標注中的文本屬性信息，讓這些元信息作為檢索條件出現在檢索平台界面上，提升復合檢索水平﹔像類別、風格、體裁、作者、時間、出版社、時代等都可以用作檢索條件，保証語料檢索定向准確、針對性強。目前，以xml格式存儲的語料可以在專門設計的平台上使用。

歷時復合語料庫的應用

語言發展變化的因素有些屬於語言自身運動，有些是語言間的相互接觸影響所致，特別是翻譯在兩種語言間所起的作用，如近代以來的翻譯就對現代漢語白話文的發展起了重要推動作用。同時，漢語規范始終在隱性地規約翻譯語言變化的范圍。語言的發展變化會在詞素、詞語、搭配、短語、句式、句長、語篇等層面上反映出來。借助於歷時復合語料庫這個平台，就可以充分比較和分析這些語言層面的歷時變化過程，並建立翻譯語言與現代漢語白話文間相互影響的動態模式﹔還可以通過和漢語原創參照庫對比，分析發現漢語歷時變化與翻譯之間的關系。研究內容包括宏觀和微觀兩大方面。宏觀語言特征：重視使用語料庫驅動研究方法，側重考察句長、句段長、POS頻率、類符型符比，以及某些特定語言項目的歷時分布特征。微觀語言特征：語料庫驅動研究與基於語料庫的研究二者並用。前者通過WordSmith或AntConc的關鍵詞對比分析（keyness）詞匯和詞叢使用上的歷時差異，發現有價值的語言點，繼之歸類、分析﹔后者重視現有研究成果的有效運用，基於現有的研究提出理論假設，找到細化了的語言項目，或者通過細讀翻譯文本，觀察可分析的語言使用特征，在此基礎上基於歷時語料進行描述、分析和解釋。總之，歷時復合語料庫的應用研究前景極為廣闊。