国家语委十五科研重大项目-现代汉语语料库的建设及深加
国家语委十五科研重大项目－现代汉语语料库的建设及深加工
国家语委语料库科研成果简介
教育部语言文字应用研究所计算语言学研究室
一、国家语委现代汉语语料库介绍
语料库是存储于计算机中并可利用计算机进行检索、查询、分析的语言素材的总体。基于语料库的分析方法是对传统的基于规则的分析语言的方法的一个重要补充。语料库具有“大规模”和“真实”这两个特点，因此是最理想的语言知识资源，是直接服务于语言文字信息处理等领域的基础工程。近十几年来，美、英、法、德、日等国家都投入巨资，相继建立了大规模的语料库，如英国国家语料库BNC等。我国从1990年开始由国家语言文字工作委员会主持，组织了语言学界和计算机界的专家学者共同建立了大型的国家级语料库，即国家语委现代汉语语料库。
国家语委现代汉语语料库是一个大型的通用的语料库，以语言文字的信息处理、语言文字规范和标准的制定、语言文字的学术研究、语文教育和语言文字的社会应用为主要服务目标。国家语委现代汉语语料库作为国家级语料库，在汉语语料库系统开发技术上具有国际领先水平，在语料可靠、标注准确等方面具有权威性。国家语委现代汉语语料库面向国内外的长远需要，选材有足够的时间跨度，语料抽样合理、分布均匀、比例适当，能够比较科学地反映现代汉语全貌。
国家语委现代汉语语料库由人文与社会科学、自然科学及综合三个大类约40个小类组成。具体类别如下：
1.人文与社会科学类划分为8个大类和30个小类：（1）政法：哲学、政治、宗教、法律；（2）历史：历史、考古、民族；（3）社会：社会学、心理、语言文字、教育、文艺理论、新闻、民俗；（4）经济：工业经济、农业经济、政治经济、财贸经济；（5）艺术：音乐、美术、舞蹈、戏剧；（6）文学：小说、散文、传记、报告文学、科幻、口语；（7）军体：军事、体育；（8）生活。
2.自然科学划分为6类：数理、生化、天文地理、海洋气象、农林、医药卫生。
3.综合类语料由应用文和难于归类的其他语料两部分组成。应用文使用很广泛，主要涉及以下6类：（1）行政公文：请示、报告、批复、命令、指示、布告、纪要、通知等；（2）章程法规：章程、条例、细则、制度、公约、办法、法律条文等；（3）司法文书：诉讼、辩护词、控告信、委托书等；（4）商业文告：说明、广告、调查报告、经济合同等；（5）礼仪辞令：欢迎词、贺电、讣告、唁电、慰问信、祝酒词等；（6）实用文书：请假条、检讨、申请书、请愿书等。
国家语委语料库的语料样本包括24个详细信息：
数据项 名称
a1 总号
a2 分类号
a3 样本名称 a4 类别
a5 作者
a6 写作时间 a7 书刊名称 a8 编著者
a9 出版社
a10 所在省
a11 出版日期 a12 期号 a13 版次(初版印数) a14 本版印数
a15 总印数
a16 总页数
a17 开本
a18 选择方式
a19 起止页数
a20 样本字数
a21 样本总字数
a22 文章总字数
a23 简繁体
a24 抽样文章
国家语委现代汉语语料库的数据量包括新增的1000万字新语料已经达到了1亿字，已经完成词语切分和标注加工的约5000万字语料是语料库中1919～1992时间段的大部分语料以及1992～2002时间段的部分语料。
二、国家语委语料库建设与深加工
1．主要科研成果
国家语委现代汉语语料库建设已经完成的主要内容是：
1）完成5000万字语料词语切分和词性标注加工。词语切分校对精度达到万分之五，词性标注精度达到千分之五。在语料库加工过程中研发了语料库加工、词类标记集等规范和词语切分和词性标注、语料库校对、语料库管理、语料检索、查询统计等一整套的计算机软件工具，功能齐全，用户界面友好。
2）100万字（5万句）句法树库建设完成。在句法树库建设过程中研发了树库加工规范和树库句法分析器、树库校对工具等计算机软件。
3）按规则补充了新语料，国家语委语料库总字数达到1亿字。
国家语委语料库建设的主要科研成果如下：
1）5000万字带有分词和词性标注的汉语语料
2）语料库加工规范
3）1000万字新语料，语料库总规模达到1亿字
4）词语切分和词性标注软件
5）100万字（5万句）句法树库
6）树库加工规范
8）树库标记集规范
9）语料库词语切分和词性标注软件
10）语料库校对加工工具软件
11）语料库质量检查工具软件
12）语料库例句检索工具软件
13）语料查询与统计工具软件
14）语料库管理工具软件
15）树库句法分析器软件
16）树库校对软件
17）相关研究论文
2．语料库的加工标注
标注语料库达5000万字，在规模、加工精度、平衡性、加工技术等多方面都达到了国内外领先水平。
1）语料库规模
总字符数达5000万（包括汉字、数字、西文字母、标点符号等等）。
2）语料时间分布
时间跨度为1919年～2002年，以近20年的语料为主。 国家语委语料库语料样本的时间分布：
年份
3）语料领域分布
分13个大类，40多个小类，100多个详细分类。
国家语委语料库语料样本的领域分布：
4）标注加工
国家语委现代汉语语料库加工遵循国内外信息处理领域通用的语料库加工路线，重视为语言学研究服务，采用机助人校的加工方式，通过开发语料库切分标注、校对、质量检查等软件工具来提高校对精度和控制加工质量。在加工过程中制定了《信息处理用词类标记集规范》等语料库建设规范。为兼容不同词语颗粒度，专门建立了层次化结构化的分词词表，分词词表的词条数量超过88000条。
国家语委语料库结构化词表示例：
序号 词 主要词类 结构
1 工具 n 工具/n
2 工具包 n [工具/n 包/n]/n
3 工具栏 n [工具/n 栏/n]/n
4 工具书 n [工具/n 书/n]/n
5 工具箱 n [工具/n 箱/n]/n
6 工科 n 工科/n
7 工矿 jn 工矿/jn
8 工矿企业 n [工矿/jn 企业/n]/n
9 工联 jn 工联/jn
10 工龄 n 工龄/n
11 工贸 jn 工贸/jn
12 工贸结合 n [工贸/jn 结合/v]/v
13 工农 jn 工农/jn
14 工农兵 jn 工农兵/jn
15 工农红军 n [工农/jn 红军/n]/n
16 工农联盟 n [工农/jn 联盟/n]/n
17 工农业 jn 工农业/jn
18 工棚 n 工棚/n
19 工期 n 工期/n
20 工钱 n 工钱/n
标注语料库主要词类分布频率表：
5）国家语委语料库标注语料样例
3．句法树库的加工标注
在标注语料库的基础上，项目还完成了100万字（5万句）的句法树库建设。
句法树库是一项重要资源，它将为汉语语言研究和信息处理提供数据平台，推动理论和应用的发展。
1）句法标注作为分词、词性标注和语义标注的中间环节，有着承上启下的重要作用。
一个好的句法树库将为下一步的语义标注工作打下良好基础。
2）句法树库蕴涵丰富的句法信息，它为研究者提供带有句法标记的汉语真实文本素材，使之能够从中获得有关句法的各种信息。例如从词类入手，可以考察某一特定类别词语的句法功能（在真实文本中所处的句法环境）；从短语功能类型入手，可以考察某一特定类型短语的内部构造模式，等等。
3）句法树库可以进行数据统计、例句抽取等工作，为汉语教学科研、信息处理、词典编纂等领域的研究提供高质量资源。
句法树生成软件综合了现代汉语的词类、句法功能、句法结构等方面的信息以及一些规则，可以对输入的汉语句子做初步的句法分析，得到带有词性标记、短语功能标记和短语结构标记的句法树。
三、国家语委语料库建设计算机软件系统
1．语料库词语切分和词类标注工具软件
输入：语料文本
输出：词语切分和词类标注语料
a）语料切分标注
词语切分和词类标注：
大规模语料的切分标注：
b）切分结果层次（结构）化：
切分结果层次（结构）化使得语料库能够更好地满足不同研究应用需要。
2．机助人校的语料校对工具软件
校对软件界面：
?校对者可与后台词典交互，直接获取词和词类信息
?软件自动通过色彩标识出语料校对信息
?严格的自动格式检查，防止用户误操作等带来的错误
?查找和替换提供快捷操作
?限制用户的编辑，提供局部有效的自由编辑模式
?校对文件多备份，最大限度防止数据丢失
校对软件还记录校对者的所有操作，并反馈给后台切分标注软件，切分标注软件根据校对信息自动学习，提高切分标注精度。
3．语料库校对质量检查软件
输入：词语切分和词类标注语料
输出：词语切分和词类标注语料，质量检查结果，语料校对记录 质量检查软件主要完成语料抽样检查和人校机助的辅助工作，通过随机抽样来检查语料校对加工的质量。
4．切分标注语料库的定制输出
输入：语料文本
输出：定制的语料文本
定制输出是指根据用户需求，对词语按照不同的颗粒度输出。
语料库定制通过层次化（结构化）的切分词表实现。可定制的范围由词表的加工程度决定。
5．语料库例句检索软件
语料库例句检索软件可以根据用户要求从语料库中提取相应的语句。例句提取软件还可以提供例句的出处、作者、时间等详细信息。
6．语料库查询统计软件
语料库查询统计软件可以根据用户的要求按时间、类别、作者、出版社等项目检索语料库，
并进行字频、词频、词类使用频率等方面的统计。
软件提供时间、作者、类别、出版社等项目供用户对语料进行查询定制。
统计项目目前包括字频、词频、词类频率统计等。
7．句法树库
树库句法分析器，分析器自动标注语句的内部结构和外部功能。
句法树库校对工具软件提供多样化的句法树形式为提高树库校对的效率和质量提供了保障。
四、国家语委语料库的应用
目前，国家语委语料库已经为国家语委规范汉字表、汉字属性库项目和科技部863计划课题智能中文信息处理平台、中文信息处理应用基础研究项目以及973计划课题中文语音语言资源联盟项目等多个科研项目提供了支持，为北京大学、北京师范大学、首都师范大学、厦门大学、中科院自动化研究所、中科院心理研究所等多个高校和科研院所提供了服务，也为东芝（中国）研发中心、富士通研究院等企业提供了高质量的汉语语料资源。
国家语委语料库可以提供的服务：
1．语料库（标注语料库、生语料库）使用权；
2．分词词表；
3．句法树库（100万字）；
4．语料库相关软件；
5．根据用户需要提供检索、统计、查询、测试等服务。
国家语委语料提供服务主要通过四种方式：
1．通过签订使用权许可协议向对方有偿提供语料库用于科研；
2．利用语料库的相关技术提供数据、技术支持等有偿服务；
3．国家语委、语用所科研项目内部提供的无偿服务；
4．为从事汉语教学科研的学生学者提供无偿服务。
四、发表的相关研究论文
1）靳光瑾等编著，《中文信息处理若干重要问题》，科学出版社，2003
2）靳光瑾，谈语料库建设与规范标准问题，《中文信息处理若干重要问题》，科学出版社，2003
3）靳光瑾，肖航，富丽，章云帆，《语料库建设－标准制订和质量检查》，第3届语言文字应用研讨会论文集，2003年11月
4）靳光瑾，郭曙纶，肖航，章云帆，语料库加工中的规范问题——谈《信息处理用现代汉语词类标记集规范》，《语言文字应用》2003年第4期
5）肖航，靳光瑾，《现代汉语词语切分歧义数据库构建》，第3届语言文字应用研讨会论文集，2003年11月
6）靳光瑾，基于语料库的辞书编纂平台的应用，对外汉语学习词典学国际研讨会论文集，（2005年7月，香港城市大学出版社出版）
7）富丽，对外汉语词典的规范性检查，对外汉语学习词典学国际研讨会论文集，（2005年7月，香港城市大学出版社出版）
8）靳光瑾，肖航，富丽，章云帆，国家语委十五重大项目《语料库建设及深加工》研究成果汇报，《语言文字应用》2005年第2期
语料库研究的优势及问题的理论解析
语料库语言学的理论解析 摘要：本文试图剖析有关语料库语言学的几个理论问题，以期揭示语料库语言学的本质。第一：语料库语言学是不是独立的新兴学科？第二：语料库提供的数据到底可以给语言学家带来什么？第三：语料库语言学的真正任务是什么，它应该成为怎样一项研究？回答好这几个问题实际上也就回答了语料库语言学的性质和理论地位，以及这项研究向何处去的问题。这将有助于我们更好地从事基于语料库的语言研究和实践。 关键词：语料库语言学；基于语料库的研究方法；理论架构；语料库数据；发展前景 Abstract: This paper attempts to answer some theoretical questions of corpus-based language studies. Three theoretical considerations are addressed to capture the nature of corpus linguistics. 1) Is Corpus Linguistics an independent branch under the umbrella of linguistics? 2) What can corpus data offer to linguists? and 3) What kind of research that Corpus Linguistics should be? Answers to the three theoretical questions will conduce to a fuller understanding of the nature of corpus-based language studies and their development. Key words: Corpus linguistics; corpus-based approach; theoretical construct; corpus data; future directions 1.0 导言 目前利用语料库从事研究的学者主要有两类。一类是计算语言学家。他们主要从事自然语言处理（NLP）的研究，诸如语音合成、语音识别和机器翻译等等。他们的终极目标并非要揭示语言的本质，而是注重技术层面的研究，比方如何改进算法，如何完善词库的建设以实现技术上的突破。另一类就是语言学家，他们则希望借助这一强大的工具去揭示语言的本质这一学科目标，这正是本文所要关注的。 本文缘起于语言研究者中的一种争论，即“语料库语言学”是否配得上这个名称，它是一种新兴的理论视角还是“暴发户造谱牒”？而本文要探讨的正是有关于语料库语言学研究的理论意义。或者说，语言学家从语料库所提供的信息中到底可以获得什么？这是本文试图解决的核心问题。语料库建设、开发和利用在国内外语言学界日渐兴起，在国内也有相当数量介绍性和综述性文献涌现，为语料库语言学在我国的发展奠定了一定的理论基础。此外，一些语言学者和语言教师（包括外语教师和对外汉语教师）也设计、建立了一些自己的语料库以服务于教学科研。 然而真正对语料库的理论问题进行深入探讨的著述却为数不多。本文将试图剖析语料库语言学的几个理论问题，以期对语料库语言学的优势和不足有进一步的认识。第一：语料库语言学是不是独立的新兴学科？第二：语料库提供的数据到底可以给语言学家带来什么？第三：语料库语言学的真正任务是什么，它应该成为怎样一项研究？回答好这几个问题实际上也就回答了语料库语言学的性质和理论地位，以及这项研究向何处去的问题。这将有助于我们更好地从事基于语料库的语言研究和实践。 2.0 语料库语言学是不是独立的新兴学科？ 2.1 语料库语言学是一种理论架构 完全赞成语料库语言学是一种理论架构的几乎没有。只是某些学者比较强调语料库语言学的理论意义。比如，Halliday（1991；1992；1993）指出，语料库语言学作为一种理论架构（theoretical construct），将语料收集和理论概括统一了起来，从而使我们对语言的理解产生一种质变。这种新的理论架构有助于考察同时作为系统和实例（instance）的语言的本质。因为在Halliday的语言学思想当中，实际话语是语言系统的实例再现（instantiation）。而语言系统，或者说是语法体系是一种统计概率上（probabilistic）的自然结果。这一思想与所谓
外来词使用状况的语料库考察
外来词使用状况的语料库考察 研究一种语言面对外来词时如何反应――拒绝它们，翻译它们，或是任意接受它们-- 对看清这种语言内在的形式趋势很有 价值。研究现代汉语对外来词的接受和使用状况有助于了解现代汉语的发展趋势；也只有摸清外来词在汉语中的生存和发展状况，才有可能给“外来词”一个符合实际的定义，并对其进行科学分类，为进一步的深入研究奠定基础。 一、研究目的与方法 本研究通过语料库考察和统计分析，定量研究人们对外来词的接受度及使用现状，探索和总结当前汉语外来词的使用特点和表现趋势。 为此，笔者通过分层随机抽样的方法选取了99 条外来词作为研究样本，按照引人方式对样本进行分类，然后进行语料库检索，并运用相关的统计方法对数据进行分析，最后对提出的原假设进行检验和分析。 本研究使用了国家语委语料库和中国传媒大学的生语料库。前者是大型的、通用的现代汉语平衡语料库，反映汉语笔语的总体使用情况；中国传媒大学的生语料库则包含2000 篇电视节目文字稿，基本反映较为正式的汉语口语使用情况。两者参照，能够较好地体现当前汉语对外来词吸收和使用的一般状况。 研究中引入了外来词的“出现率”、“出现频次”和“平均频
次”三个测度指标，并将其分别设定为变量r、f 。设外来词 分别属于八个类型组G1, G2……G8任意一组中有外来词W 个；其中在语料库中出现n 个。 r 可以显示某类型外来词中有多少个在语料库中出现f 为某个外来词在语料库中出现的次数f 则说明某类型外来词在语料库中出现的平均密度。 二、研究假设 假设1 ：外来词的使用相当普遍 目前学术界和相关人士普遍认为：汉语对通过不同翻译方法引入的外来词接受度不同，最易接受符合汉语构词习惯的纯意译词，其次是含音译成份的词，最后是近年来似乎有些泛滥的字母词。该假设是对当前流行的学术界普遍看法进行定量检验。 假设2：外来词在现代汉语中处于上升状态该假设认为不同类型的外来词在汉语中的发展状况并不平衡，但整体而言，外来词在现代汉语中是处于上升状态的，无论从规模还是速度上看都是如此。 假设3：外来词的使用频率高 该假设认为外来词的使用频率较高，甚至有可能高于某些较为常用的汉语词汇。对该假设的进一步研究将会对外来词的科学划分提供理论依据。 三、研究结果 （一）外来词的出现率和平均频次 两个通用语料库的检索结果均表明，以往的定性研究虽然没有
语料库与语料库建设
语料库和语料库建设 一、什么叫语料库 1、定义 语料库，通俗意义上指的是语言材料库。严格意义上的语料库（corpus）是指按照一定的 语言学原则，运用随机抽样方法，收集自然出现的连续的语言运用文本或话语片断而建成的具有一定容量的大型电子文本库。 目前，语言学家对于语料库的定义不尽相同，如辛克莱（Sinclair）认为语料库是“按照明确的语言学标准选择并排序的语言运用材料汇集，旨在用作语言的样本”。阿特金斯等（Atkins & Clear）认为语料库是“按照明确的设计标准，为某一具体目的而集成的大型文本库”。赫努（Renouf）认为语料库是“由大量收集的书面语或口头语构成，并通过计算机储存和处理，用于语言学研究的文本库”。我们看到，以上关于语料库的几种定义相同之处在于都谈到语料库是语言材料的汇集；不同之处在于前两个定义指出语料库的设计是有明确的设计标准的，赫努的定义明确指出语料库“通过计算机储存和处理”这一特点。 语料库不同于电子文档，语料库的建设有特定的研究目的和具体用途，因此在语料抽样范围和文类覆盖方面都力求取得平衡，在收集语料时需要考虑到每一文类、体裁、语域、主题类型等的抽样比例。而大型文档目标在于搜集任何可获得的语言材料或所限定的数种文类语料，其语言材料之间的关系较为松散。 语料库具有以下特征：1、语料库的设计与建设有系统的语言学理论指导，语料库的开发具有明确而又具体的目的；如，布朗语料库用于对20世纪60年代的美国英语的研究，LOB是与布朗语料库对齐的同时期的英国英语语料库，可用以对英国英语进行研究，也可与布朗语料库加以对比进行美国英语和英国英语的对比研究。2、语料库的语料是按照明确的语言学原则采用随机抽样的方法得到的语言运用的自然语料，不是随意的语言材料的堆积，更不是由某个个人杜撰出来的。语料库的容量和语料采用随机抽样方式都保证了语料具有代表性，由此保证基于语料库的语言研究的科学性、客观性。3、语料文本是连续的文本或话语片断，而不是孤立的句子或词汇，可以借以获得语法关系、用法、词语搭配以及语篇信息。4、语料库以当代先进的计算机技术为技术手段，语料库语料通过电子文本形式储存并且是通过计算机处理的，具有资源优势和处理速度优势。5、基于语料库的研究以量化研究为基石，以概率统计为手段，以数据驱动为基本理念。6、语料库既是一种研究方法，又代表着一种新的研究思维。 二、语料库产生的背景及发展历史 对真实语言材料的搜集与研究是语言学研究的优秀传统。尤其是在20世纪50年代中期， 在语言研究中占主导地位的是重语言材料的经验主义。这种学术氛围无疑促进了对语料的重视。1959年夸克（R.Quirk）等人着手进行的“英语用法调查”(Survey of English Usage)通过系统的调查建立了第一个现代英语语料库，在此基础上完成的《现代英语语法》（ A Grammar of Contemporary English）和《英语语法大全》（A Comprehensive Grammar of the English Language）对现代英语进行了系统全面的描写，在英语语言学界产生了广泛的影响。但在当时这项浩大的工程是通过手工的方式完成的。
哪里有可以免费使用的大型英语语料库资源-外语教学与研究出版社
语料库相关资源 David Lee语料库研究书签 Bookmarks for Corpus-based Linguists (David Lee) https://www.wendangku.net/doc/275850149.html,.au/~dlee/CBLLinks.htm (https://www.wendangku.net/doc/275850149.html,/corpora) 常用语料库资源链接汇集（语料天涯） https://www.wendangku.net/doc/275850149.html,/corpus/ 互动平台 https://www.wendangku.net/doc/275850149.html,/forum/ 入门读物 专著 梁茂成、李文中、许家金，2010，《语料库应用教程》。北京：外语教学与研究出版社。Hunston, Susan. 2002. Corpora in Applied Linguistics. Cambridge: Cambridge. University Press. （世界图书出版社引进） Kennedy, Graeme. 1998. An Introduction to Corpus Linguistics. London: Longman. （外研社引进） 期刊论文 中国期刊网 EBSCO英文期刊数据库 书店可以买到的语料库相关书籍 Aijmer, K. & B. Altenberg (Eds.). 2004. Advances in Corpus Linguistics. Papers from the 23rd International Conference on English Language Research on Computerized Corpora (ICAME 23). Amsterdam: Rodopi. （世界图书出版社引进） Austermühl, F. 2001. Electronic Tools for Translators《译者的电子工具》. Manchester: St. Jerome Publishing. （外研社引进） Biber, Douglas, Stig Johansson, Geoffrey Leech, Susan Conrad & Edward Finegan. 1999. Longman Grammar of Spoken and Written English. Longman Publications Group. （外研社引进） Biber, Douglas, Susan Conrad & Randi Reppen. 1998. Corpus Linguistics. Cambridge: Cambridge University Press. （外研社引进） Connor, U & T. Upton (Eds.). 2004. Applied Corpus Linguistics: A Multidimensional Perspective. Amsterdam: Rodopi. （世界图书出版社引进）
国内语料库翻译学20年述评_1993_2012_宋庆伟(DOC)
上海翻译Shanghai Journal of Translators2013 No． 2 国内语料库翻译学20年述评( 1993—2012) 宋庆伟匡华吴建平( 厦门大学外文学院，福建厦门 361005;济南大学外国语学院，山东济南 250022) ( 山东大学外国语学院，山东济南250061) ( 厦门大学外文学院，福建厦门361005) ［摘要］本文以中国知网( CNKI) 1993-2012年外语核心期刊中关于语料库翻译学的学术论文为样本，从翻译语言特征、译者风格和应用研究等六个方面对国内近20年语料库翻译学的发展历史进行钩沉，梳理其主要研究脉络和现状，总结语料库翻译学研究的成就、问题与趋势，以期能为该领域研究提供全景式的概况。作者认为，当前研究还存在诸如研究内容与视角比较狭窄，跨学科性研究不足，定量研究层次不高和语料库( 特别是口译语料库) 建设和研究相对滞后等问 题，亟待有针对性的改进与完善。 ［关键词］语料库翻译学; 翻译共性; 译者风格; 口译 ［中图分类号］H059 ［文献标识码］ A ［文章编号］1672-9358( 2013) 02-0025-06 1 引言到翻译研究当中，使语料库翻译研究迅速发展，逐步 近几年，语料库翻译学随着语料库语言学和描成为描述翻译研究中的一种新范式( Laviosa，1998: 写翻译理论的发展和融合迅速成长起来。从发展历474; 2002: 22)。基于语料库的研究为翻译学提供程来看，她还非常年轻，从1993年Mona Baker发表了新的方法和思路，现在学界形成的共识是利用语语料库翻译学的开山之作《语料库语言学与翻译研料库进行翻译研究是一种不可或缺且可靠的手段。究: 启示和应用》至2012年，刚刚走过了短短的20 从一定程度上来讲，语料库翻译学即语料库语言学年。国内语料库翻译研究几乎与国外同步，肇始于和描写性翻译研究的相加，二者的结合可以说是相1993 年，代表作为杨惠中《语料库语言学与机器翻得益彰，在当今翻译研究注重描写和实证的趋势下，译》一文。如今，国内语料库翻译研究已初具规模，语料库翻译学应运而生。语料库翻译学以翻译本体在翻译共性、译者风格和语料库建设等诸方面都取为研究对象，从大规模翻译文本或翻译语言整体入得了可喜的进步，Tymoczko( 1998: 652) 曾大胆预言手，采用语内对比与语际对比相结合的模式，对翻译基于语料库的翻译研究将是翻译研究的重中之重。现象进行描写和解释，探索翻译的本质。( 王克非、近20年，特别是近几年涌现出一大批语料库翻译学黄立波，2008: 9-14) 的专著和论文，国家社科基金和教育部人文社科基 金对该领域的研究也进行了倾斜。鉴于此，笔者认 3 数据采集 为极有必要对其发展脉络进行梳理和分析，以期为近几年，国内基于语料库的翻译研究发展迅速，今后的研究提供借鉴和参考。本文以中国知网研究的深度和广度也不断拓展，发表文章数量逐年( CNKI) 近20年来外语核心期刊中收录的有关语料增加。为了更好地说明这种趋势，笔者统计了近20 库翻译学的学术论文为基础，借以梳理其研究现状、年( 1993-2012) 中国知网收录的外语核心期刊中关分析成就和问题并展望发展趋势。于语料库翻译学的文章，该统计涉及2012-2013年 版CSSCI外语类来源期刊( 包括扩展版) 共15种，2 语料库翻译学基本原理收集有关文章共97篇，具体数据如下表所示: Mona Baker( 1993)开创性地把语料库方法应用 ［基金项目］本文是上海市科委课题“英汉双语平行句对应语料库建设”( 编号: 08dz1501100) 的阶段性成果。论文在写作过程中，得到秦洪武 教授的悉心指点，谨致谢忱! ［收稿日期］2013-02-20 ［作者简介］宋庆伟，厦门大学博士生，济南大学外国语学院讲师，研究方向: 语料库翻译学、双语词典编纂与翻译; 匡华，山东大学外 国语学院讲师，研究方向: 语料库语言学与英语教学; 吴建平，厦门大学外文学院教授，博士生导师，研究方向: 翻译学与双语词典学。
关于汉语中介语语料库建设研究报告
汉语中介语语料库建设研究 沈锐1，黄薇2 (1.红河学院教育技术系2.红河学院国际合作与交流处XX蒙自661100) 【摘要】本文探讨母语非汉语学习者的汉语中介语语料库建设的主要思路以及具体实现方法，重点介绍了汉语中介语语料的加工方法以及语料数据库的设计思路，并阐明了该语料库在对外汉语教学和研究中的应用价值。 【关键词】语料库;中介语;汉语教学 语料库是指按一定的语言学原则收集的语言文本或话语片断而建立的电子资料库。本文所述汉语中介语料库是基于语言学中中介语理论设计与实施的。中介语是心理语言学中第二语言习得的一种研究模式，其将语言学习者置于观察中心，去研究他们如何有意识地向目的语的正确形式迁移的各种动态表现。中介语理论自20世纪60年代末出现并发展至今，虽然时间并不长，但越来越受到语言学家以及一线教师的关注。无论是进行中介语研究还是使用中介语理论进行第二语言教学都需要收集分析大量的语料，因而通过信息化手段收集和整理语料变得十分迫切。在对外汉语教学中，通过建设和使用母语非汉语学习者的汉语中介语语料数据库，可以收集不同背景和不同学习阶段外国学生及少数民族学生的汉语书面语和用文字转写的口语语料，并对语料属性、词汇、语法等单位进行计算机处理，以实现对各种条件和要求下的语料数据进行便捷的机器检索和提取，可以为研究母语非汉语学生学习和习得汉语的规律提供大量的各种单项的或综合的资料和信息。因此，我们提出了建设汉语中介语语料库的课题，由于语料库建设是一项浩大的工程，限于人力物力条件，本文讨论的是中
小规模的语料库。 一、需求分析和框架设计 语料库建设不能盲目进行，首先要进行调研，对语料库的应用需求进行分析。半自动化的语料库构建是目前语料库建设的主流技术，目的是在确保语料库质量的前提下，减少人工参与的比例，增加自动化程度，目标是在较短时间内建设一个有一定规模，质量可靠、可扩充、成本低，能够全面、细致地记录母语非汉语学习者在汉语学习过程中的语言表征和研究他们汉语习得过程的语料库。依照软件工程的方法，建立数据库首先需要进行需求分析，在需求分析过程中要注意汉语中介语语料库主要是服务于对外汉语教学的一线教师，以及辅助母语非汉语学生自学，因此主要注重以上二类服务对象的应用需求，确保建成的语料库能够对第二语言教学、研究以及教材的编写提供持续支持。基于以上要求，在对中介语语料库的建设思路及框架做了总体考虑，基本归纳为以下三个方面： 1、中介语语料库为专门用途语料库，主要目的为研究母语非汉语的学生在学习汉语过程中的中介语现象而设计制作的。 2、中介语现象存在于母语非汉语的学生在学习汉语过程中的书面语料及口语语料中，由于口语语料的收集、分析和标注都较为困难，因此在建库的第一阶段只考虑收录书面语料，这有利于语料库的快速建设与使用。 3、语料标注的加工标准使用中科院计算所汉语词性标记集V3.0。 二、语料收集与加工
基于语料库的中国大学生英语口语表达中的“中式 英 语” 探究
基于语料库的中国大学生英语口语表达中 的“中式英语” 探究 摘要：本文利用大学学习者英语口语语料库，选取全国大学英语考试口语考试部分27名考生的口语语料库作为研究对象，对其中出现的中式英语进行标注和分类。作者根据统计结果，从词法和句法两个层面分析我国大学生英语口语中出现的中式英语现象，探讨汉语母语作为中式英语出现的主要原因及对英语口语的影响，最后对中国大学生的英语日常学习及口语水平的提高提出相关建议，为广大高校师生提供借鉴意义。 关键词：中式英语中国大学生口语语料库 1.引言 中国大学生在他们的年纪已经获得用汉语思考和表达的能力，形成用汉语思考和表达的习惯。绝大部分中国人都是在掌握了母语之后才开始学习英语的，所以在学英语的过程中，总是从中国人的思维角度思考，不顾西方的语言习惯，这就造成中式英语的大量存在。由于不符合英语的表达习惯，中式英语在人际交流中有时会引起误解和困惑。因此，它作为一种特殊的语言现象，应该引起人们的注意。在中国，高校在校学生占英语学习者的很大一部分，他们毕业之后就
由英语学习者转变为英语使用者，所以他们在学校学得如何，直接影响他们在工作岗位上用得如何。 从现状看，我国大学毕业生的平均英语水平不能满足各行各业越来越高的需求，尤其是在口语表达和人际交流方面。在现行教育体制下，高校英语教学过于强调语法和词汇的讲解，而对学生语言能力的培养和英语文化的教授则有所忽略。其结果就是许多中国大学生在学了十多年英语之后，只是善于记忆单词和语法规则;他们能在笔试中得高分，但是一张嘴就是中式英语。 《牛津英语词典》对中式英语作了如下定义：中式英语是一种汉语和英语的混合体;尤其是汉语使用者使用的或中英双语语境中的一种英语变体，典型地夹杂一些汉语的词汇和结构，或是汉语语境中特有的英语术语。 总的说来，中式英语是指一种不符合英语文化习惯的畸形英语，由某些受汉语思维方式和文化背景影响而将母语的语言规则运用到英语中的中国人说出或写出。 2.研究方法 2.1研究对象和数据收集 “大学学习者口语语料库”由上海交通大学的杨惠中教授主持完成。该语料库容量达70万字，来源是全国大学英语考试口语考试部分的真实音视频材料。它按照考试来源地、专业、考试成绩和对话题目，采取随机抽样的方法组
语料库
Background Information 语料库的概念 语料库是指按照一定的语言学规则，利用随机抽样的方法收集的有代表性的语言材料的总汇，它是语言材料的样本。 语料库通常指为语言研究机构收集的，具有一定容量的大型电子文本语料库。它是由口语语料和书面语的样本汇集而成，用来代表特定的语言或语言变体，或经过加工后带有语言学信息标注的文本的集合。 语料库的分类 按照语料库所涉及的语言种类，语料库课分为单语语料库，双语平行语料库(parallel corpus)和多语语料库(multilingual corpus)； 按照语言涉及的题材，语料库可分为普通语料库(general corpus)和专门用途语料库(specialized corpus)； 按语料的来源，又可分为口语语料库和书面语语料库； 按语料库是否被标注，语料库可分为生语料库或原始语料库(raw corpus)和熟语料库或标注语料库(annotated corpus) In linguistics, a corpus (plural corpora) or text corpus is a large and structured set of texts (now usually electronically stored and processed). They are used to do statistical analysis and hypothesis testing, checking occurrences or validating linguistic rules on a specific universe. A corpus may contain texts in a single language (monolingual corpus) or text data in multiple languages (multilingual corpus). Multilingual corpora that have been specially formatted for side-by-side comparison are called aligned parallel corpora. In order to make the corpora more useful for doing linguistic research, they are often subjected to a process known as annotation. An example of annotating a corpus is
语料库语言学的发展及研究现状
当代语言学(试刊)1998年第1期4-12页,北京 语料库语言学的发展及研究现状 丁信善 1.0引言 语料库语言学已经成为语言研究的主流。基于语料库的研究不再是计算机专家的独有领域,它正在对语言研究的许多领域产生愈来愈大的影响。 这是J.Thomas等人1996年为祝贺语料库语言学的主要奠基人和倡导者G.Leech六十诞辰而出的语料库语言学研究论集的开场白。近年来,对语料库语言学类似的评说频频见于导论和方法论的书及教科书中,它不仅仅是语料库语言学家们的自誉,而正在成为整个语言学界的共识。 2.0语料库语言学的定义 关于语料库语言学的定义,现引述三例: a. 根据篇章材料对语言的研究称为语料库语言学。 (K.Aijmer&B.Aitenberg,1991,p.1) b. 基于现实生活中语言运用的实例进行的语言研究称为语料库语言学。 (T.M c Enery&A. Wilson,1996,p.1) c. 以语料为语言描写的起点或以语料为验证有关语言的假说的方法称为语料库语言学。 (D. Crystal,1991,p.86) 由上述几个定义可见,语料库语言学不是研究语言自身某个方面,而是一种以语料库为基础的语言研究方法。它实际上包括两个方面:一是对自然语料进行标注,二是对已经标注的语料的研究和利用的方法。从方法论的角度,它不仅可以用于研究语言系统的各个层面,而且可以应用于语言学之外的其他领域。 3.0语料库语言学的历史发展 语料库语言学作为一种研究语言的方法,可以追溯到上个世纪,甚至更为久远。现在一般以乔姆斯基转换生成语法的兴衰时间为参照,将其发展大致分为以下几个阶段: 3.1语料库语言学的早期发展 早期的语料库语言学指的是本世纪五十年代中期以前,即乔姆斯基提出转换生成语法理论之前的所有基于语言材料的语言研究。此类研究主要集中在以下几个方面: (1)语言习得是应用语料研究方法较早且较普遍的领域。19世纪70年代在欧洲兴起了儿童语言习得研究的第一个热潮,当时的许多研究就是基于父母详细记载其子女话语发展的大量日记的。据悉,这些日记作为原始材料,不仅是当时W.Preyer和W.Stern等人的理论假说的依据,而且时至今日仍是许多学者的研究语料之一。自本世纪30年代以来,语言学家和心理语言学家提出了众多关于儿童在不同年龄段的语言发展模式。这些模式大都是建立在对儿童自然话语大量材料的研究分析上的。 (2)利用自然语料开展音系研究,在西方当首推美国早期的结构主义语言学家,如F.Boas和 E.Sapir等人。他们注重 野外工作 ,强调语料获取的自然性和语料分析的客观性。这些都为后来的语料语言学所继承和发展。 本文承蒙哥本哈根大学翻译与词典学研究中心主任C.Dollerup博士提供有关欧洲语料库网络的材料,特此致谢。
可以免费使用的大型英语语料库资源
可以免费使用的大型英语语料库资源 https://www.wendangku.net/doc/275850149.html,/time/ http://www.lextutor.ca/concordancers/concord_e.html 常用语料库资源链接汇集（语料天涯） http://202.204.128.82/sweccl/Corpus/ https://www.wendangku.net/doc/275850149.html,/netprints/Corporalink/Corporalink.htm 1. BNC-World Simple Search ☆☆☆ https://www.wendangku.net/doc/275850149.html,/lookup.html But no more than 50 hits will be displayed, with a fixed amount of context. 2. Brown, LOB, BNC sampler ☆☆☆ Here are a few links for searching corpora online, including monolingual corpora like Brown, LOB, and BNC sampler and also some parallel English-Chinese corpora. English: https://www.wendangku.net/doc/275850149.html,/concordance/WWWConcappE.htm English: http://www.lextutor.ca/concordancers/concord_e.html Parallel: https://www.wendangku.net/doc/275850149.html,/concordance/paralleltexts/ 3. Collins Cobuild Corpus Concordance Sampler☆☆☆☆☆ https://www.wendangku.net/doc/275850149.html,/Corpus/CorpusSearch.aspx The Collins WordbanksOnline English corpus is composed of 56 million words of contemporary written and spoken text. 4. New BNC interface - VIEW: ☆☆☆☆☆ https://www.wendangku.net/doc/275850149.html,/ 5. Samples (about 2 million words) from the British National Corpus: both written and spoken ☆☆☆ The Brown Corpus and many others - native, learner... Go to http://www.lextutor.ca/concordancers/concord_e.html 6. MICASE ☆☆☆☆ https://www.wendangku.net/doc/275850149.html,/m/micase/ There are currently 152 transcripts (totaling 1,848,364 words) available at the site. 7. CLEC online concordancing ☆☆☆☆ https://www.wendangku.net/doc/275850149.html,/corpus/EngSearchEngine.aspx CLEC收集了包括中学生、大学英语4级和6级、专业英语低年级和高年级在内的5种学生的语料一百多万词，并对言语失误进行标注。For an introduction of the corpus, its error tagset and some statistics, see https://www.wendangku.net/doc/275850149.html,/baseinfo/achievement/Achievement1.htm 8. Business Letter Corpus Online KWIC Concordancer ☆☆☆
浅析语料库对于翻译研究的意义
浅析语料库对于翻译研究的意义 【摘要】基于语料库的翻译研究在当今已进入一个全新模式，多种语料库被开发应用在人工翻译和机器翻译等实践领域当中。本文对语料库的概念以及某些种类语料库在翻译活动中具体实用情况做出分析，揭示语料库对于翻译研究的意义。 【关键词】语料库；翻译；双语语料库；平行/对应语料库 An Analysis on the Significance of Corpus to Translating Research CHEN Dan （Eastern Liaoning University，Dandong Liaoning 118000，China） 【Abstract】Translating research based on corpus has stepped into a new mode today，and many kinds of corpora are developed and applied in practical fields of manual translation and machine translation. The thesis analyzes the concept corpus and the application of some corpora in translating，which exemplify the significance of corpus to translating research. 【Key words】Corpus；Translating；bilingual corpus；Parallel corpus “语料库”的英语单词corpus来源于拉丁语，意思是body，有“全集”的含义，即“语料的集合”。有的学者认为语料库是基于形式和目的的存储于电子数据库中的文本集合，是描述自然发生语言的集合；也有人认为它是按照明确的语言学标准选择并排序的语言运用材料的汇集，旨在用作语言的样本。国内语料库学者杨惠中对语料库的定义做了较为详细的界定。他指出，“语料库是指按照一定的语言学原则，运用随机抽样方法，收集自然出现的连续的语言运用文本或话语片段而建成的具有一定容量的大型电子文库”。 语料库所收集的语料是真实、自然的语言。不同于普通的文本数据库，它的设计和建设是以系统的理论语言学原则为依据，并且具有明确的目的性。语料库的结构严格依照既定程序设定，以一定研究目的为基础，按学科或语篇类型分类存储。语料库中的语料必须符合科学的语言研究，语料可以随机抽取或按统计学方法采集。 语料库的类型和分类标准很多。按用途分，语料库可分为通用语料库（general corpus）和专用语料库（specialized corpus）；按语料选取时间，语料库可分为历时语料库（diachronic corpus）和共时语料库（synchronic corpus）；按不同结构，语料库可分为平衡语料库（balanced corpus）和自然随机结构语料库（random structure corpus）；按语料库的性质，语料库可分为原始语料库（raw corpus）和标注语料库（annotated corpus）；按语言种类，语料库可分为单语语料库
国家语委十五科研重大项目-现代汉语语料库的建设及深加
国家语委十五科研重大项目－现代汉语语料库的建设及深加工 国家语委语料库科研成果简介 教育部语言文字应用研究所计算语言学研究室 一、国家语委现代汉语语料库介绍 语料库是存储于计算机中并可利用计算机进行检索、查询、分析的语言素材的总体。基于语料库的分析方法是对传统的基于规则的分析语言的方法的一个重要补充。语料库具有“大规模”和“真实”这两个特点，因此是最理想的语言知识资源，是直接服务于语言文字信息处理等领域的基础工程。近十几年来，美、英、法、德、日等国家都投入巨资，相继建立了大规模的语料库，如英国国家语料库BNC等。我国从1990年开始由国家语言文字工作委员会主持，组织了语言学界和计算机界的专家学者共同建立了大型的国家级语料库，即国家语委现代汉语语料库。 国家语委现代汉语语料库是一个大型的通用的语料库，以语言文字的信息处理、语言文字规范和标准的制定、语言文字的学术研究、语文教育和语言文字的社会应用为主要服务目标。国家语委现代汉语语料库作为国家级语料库，在汉语语料库系统开发技术上具有国际领先水平，在语料可靠、标注准确等方面具有权威性。国家语委现代汉语语料库面向国内外的长远需要，选材有足够的时间跨度，语料抽样合理、分布均匀、比例适当，能够比较科学地反映现代汉语全貌。 国家语委现代汉语语料库由人文与社会科学、自然科学及综合三个大类约40个小类组成。具体类别如下： 1.人文与社会科学类划分为8个大类和30个小类：（1）政法：哲学、政治、宗教、法律；（2）历史：历史、考古、民族；（3）社会：社会学、心理、语言文字、教育、文艺理论、新闻、民俗；（4）经济：工业经济、农业经济、政治经济、财贸经济；（5）艺术：音乐、美术、舞蹈、戏剧；（6）文学：小说、散文、传记、报告文学、科幻、口语；（7）军体：军事、体育；（8）生活。
国际儿童口语语料库录写系统的赋码原则初探
国际儿童口语语料库录写系统的赋码原则初探* 王立非1，刘斌2 （1．南京大学, 江苏南京 210093； 2．解放军国际关系学院，江苏南京 210039） 摘要：国际儿童口语语料库是目前世界上最完整的口语语料库之一， 对开展口语语料库研究和语言习得研究具有重要价值，本文探讨该语料库 的录写系统的赋码原则与具体操作问题，对促进我国英语口语语料库的建 立和研究具有借鉴作用和启示意义。 关键词：国际儿童口语语料库；英语口语语料；语料库语言学 中图分类号：文献标识码：文章编号：The CHILDES Corpus: Coding and Operation of the CHAT Tool WANG Lifei1, LIU Bin2 (1. Nanjing University Nanjing, Jiangsu Prov., 210093； 2. PLA International Studies University, Nanjing, Jiangsu Prov., 210039, China) Abstract: This paper describes the basic coding and operating principles of CHAT for the CHILDES talk-bank, a very valuable corpus for studies on spoken English and language acquisition. It aims to promote the development and use of the CHILDES as a reference for constructing the EFL spoken corpus in China. Key words: CHILDES；English spoken corpus；corpus linguistics 1．引言 新世纪的语言学研究已进入计算机时代，基于语料库的研究成果不断涌现，国际儿童口语语料库CHILDES（Child Language Data Exchange System）就是众多语料库中的一员，已有一千项基于这个语料库的研究成果发表。该语料库由美国麦克阿瑟基金会资助，于1984年开始筹建，经过近20年的建设，已成为目前世界上最大的儿童口语语料库。到目前为止，该语料库已收集了包括英语、汉语在内的25种语言。用户可直接从网上免费登录、使用或下载(https://www.wendangku.net/doc/275850149.html,/CHA T.html)语料。CHILDES语料库由三部分组成，第一部分是儿童英语口语语料库（DATA-BASE），第二部分为文本赋码系统（CHAT），第三部分为语料分析程序（CLAN），均可在网上免费下载。本文探讨该语料库的录写系统的文本赋码原则和操作，目的是对我国建设英语口语语料库提供借鉴与启示。 2．录写赋码系统的途径与原则
语料库与语料库建设
语料库与语料库建设 语料库和语料库建设 一、什么叫语料库 1、定义 语料库，通俗意义上指的是语言材料库。严格意义上的语料库(corpus)是 指按照一定的 语言学原则，运用随机抽样方法，收集自然出现的连续的语言运用文本或话语片断而建成的具有一定容量的大型电子文本库。 口前，语言学家对于语料库的定义不尽相同，如辛克莱(Sinclair)认为语料库是“按照明确的语言学标准选择并排序的语言运用材料汇集，旨在用作语言的样本”。阿特金斯等(Atkins & Clear)认为语料库是“按照明确的设计标准，为某一具体目的而集成的大型文本库”。赫努(Renouf)认为语料库是“由大量收集的书面语或口头语构成，并通过计算机储存和处理，用于语言学研究的文本库”。我们看到，以上关于语料库的儿种定义相同之处在于都谈到语料库是语言材料的汇集;不同之处在于前两个定义指出语料库的设讣是有明确的设计标准的，赫努的定义明确指出语料库“通过计算机储存和处理”这一特点。语料库不同于电子文档，语料库的建设有特定的研究LI 的和具体用途，因此在语料抽样范围和文类覆盖方面都力求取得平衡，在收集语料时需要考虑到每一文类、体裁、语域、主题类型等的抽样比例。而大型文档U标在于搜集任何可获得的语言材料或所限定的数种文类语料，其语言材料之间的关系较为松散。 语料库具有以下特征：1、语料库的设讣与建设有系统的语言学理论指导，语料库的开发具有明确而乂具体的U的；如，布朗语料库用于对20世纪60年代的美国英语的研究，LOB是与布朗语料库对齐的同时期的英国英语语料库，可用以对英国英语进行
研究，也可与布朗语料库加以对比进行美国英语和英国英语的对比研究。 2、语料库的语料是按照明确的语言学原则采用随机抽样的方法得到的语言运用的自然语料，不是随意的语言材料的堆积，更不是由某个个人杜撰出来的。语料库的容量和语料采用随机抽样方式都保证了语料具有代表性，山此保证基于语料库的语言研究的科学性、客观性。 3、语料文本是连续的文本或话语片断，而不是孤立的句子或词汇，可以借以获得语法关系、用法、词语搭配以及语篇信息。 4、语料库以当代先进的计算机技术为技术手段，语料库语料通过电子文本形式储存并且是通过讣算机处理的，具有资源优势和处理速度优势。5＞基于语料库的研究以量化研究为基石，以概率统汁为手段，以数据驱动为基本理念。6、语料库既是一种研究方法，乂代表着一种新的研究思维。 二、语料库产生的背景及发展历史 对真实语言材料的搜集与研究是语言学研究的优秀传统。尤其是在20世纪 50年代中期， 在语言研究中占主导地位的是重语言材料的经验主义。这种学术氛圉无疑促进了对语料的重视。1939年夸克(R. Quirk)等人着手进行的“英语用法调查” (Survey of English Usage)通过系统的调查建立了笫一个现代英语语料库，在此基础上完成的《现代英语语法》(A Grammar of Contemporary English )和《英语语法大全》(A Comprehensive Grammar of the English Language)对现代英语进行了系统全面的描写，在英语语言学界产生了广泛的影响。但在当时这项浩大的工程是通过手工的方式完成的。 20世纪六十年代后，语言学研究主流从经验主义转向理性主义，乔姆斯基的语言能力说被广泛接受，转换生成语法学派批评语料库研究方法，认为，1、基于语料库的方法有误。乔姆斯基等认为语言学应当以人脑的语言机制即语言能力为研究对象，语料库收集的只是人们的语言运用，语言运用会因超语言因素的影响而发生变化，它并