语料库与社会语言学研究方法，本文主要内容关键词为：语料库论文,语言学论文,方法论文,社会论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
社会语言学研究之所以成为一门独立的学科，不仅在语言观方面与传统结构语言学，尤其是转换生成语法学派不同，在研究方法上也有较大的差别。关于语言观上的不同，本文不加以讨论，本文重点讨论方法上的差别，尤其是语料库方法对社会语言学研究的促进作用。《语言学方法论》一书把语言学的研究方法分为上中下三篇，上篇为“理论方法篇”，中篇为“描写方法篇”，下篇为“实验方法篇”。社会语言学研究方法部分放在中篇“描写方法篇”，主要涉及社会语言学的抽样方法、数据的收集、描写与分析[1]。社会语言学的研究方法主要是描写的还是解释的，我们这里也暂且不加以讨论。我们认为从社会语言学角度对数据进行分析描写是有必要的，但仅仅是分析描写远远不够。《社会语言学研究方法的理论与实践》一书把社会语言学研究方法的特征概括为三个：定性与定量研究结合、解释性、实证性。该书的这一概括还是比较全面的，但在解释“语料或数据”时，认为定性研究所收集的数据主要是词语而不是数字，定量研究所收集的数据主要是数字[2]。这种解释似乎不够全面，利用语料库进行社会语言学研究，收集的数据既需要词语，也需要数字。该书还没有把语料库方法作为社会语言学的一种重要方法，没有看到语料库对社会语言学研究的重要作用。《社会语言学教程》第六章设专章讨论语料库与社会语言学研究，认为语料库语言学为社会语言学带来崭新的研究工具[3]131。我们认为，随着现代信息技术的不断发展，利用语料库方法研究社会语言学将会是一种定量研究与定性研究完美结合的社会语言学研究的重要方法。
二、基于语料库方法的社会语言学研究现状
社会语言学研究在方法上的最大特点是在对言语社区语言使用进行定量和定性分析的基础上，揭示语言变量与社会变量之间的关系。早期的社会语言学研究更多的是注重口语的研究，因为口语的研究比较容易同言语社区结合起来，从而探讨语言变异与民族、年龄、社会阶层、性别等社会变量之间的关系。而这类研究一般要进行社会调查，调查一般采用的是抽样的方法，主要是判断抽样的方法。早期书面语的研究一般采用文献调查的方法，因为缺乏先进的手段，在语言变异研究方面很难有较大的突破并取得重大的成果。语料库语言学的出现不但给社会语言学研究书面语带来了生机，同时也大大推动了这一领域的定性与定量有机结合的分析研究。
McEnery和Wilson的《语料库语言学》（Corpus Linguistics）一书第4章第7小节“语料库在语言研究中的应用”专门介绍了语料库对社会语言学研究方法的影响。作者在探讨一般意义上的社会语言研究所收集的语料与语料库的语料之间的区别时指出，社会语言学研究所收集的是专门性的语料，而不是一般的来自自然语言的语料，这些语料不一定是用来作定量分析用的，因此不一定经过严格的抽样；而语料库却可以提供来自自然语言的具有代表性的样本，且可以用来作定量分析。当然该书作者也指出，利用语料库方法进行社会语言学研究还只停留在相对比较简单的词汇层面上的语言与性别方面的研究[4]。
到目前为止，利用语料库方法进行社会语言学研究取得重要成果并值得关注的主要有四个方面：一是语言与性别的研究，二是汉语社区词的研究，三是语域研究，四是话语分析方面的研究。
Kjellmer[5]和Holmes[6]利用语料库方法进行语言与性别研究取得了一些重要成果。Kjellmer利用Brown语料库和LOB语料库检验美国英语和英国英语中的男性偏爱。他专门检索了男性代词与女性代词（he和she）的出现情况以及词项man/men与woman/women的出现情况，结果发现在两个语料库中女性词项出现频率均大大低于男性词项的出现频率，但英国英语的女性词项出现频率高于美国英语。他还发现这种差异的比率是由体裁决定的，总的来说，女性更富于想象，爱情小说中女性出现的频率最高。Kjellmer还发现，女性相对缺少主动性，但经常出现客观动词而不是主观动词的假定是没有根据的，实际上男女都有类似的主客观比率。Holmes对比了Ms与Miss/Mrs的出现频率，分析了带有男权主义色彩的后缀和作为普通类别词语man的用法。Holmes在方法上有两个重要看法值得注意：一是要注意语境和是否有合适的替代成分，如policeman或policewomen可以用police officer代替，但在Duchess of York（约克的公爵夫人）中后缀-ess没有合适的替代成分，因此这类后缀在计算男权主义的后缀时不应该算进去。二是指出语义形式的分类很难。例如man什么时候指男性，什么时候作为普通的类（不分性别），判别起来并不容易。
邹嘉彦等利用香港城市大学语言科学资讯研究中心在20世纪90年代建立起来的共时语料库（Linguistic Variety in Chinese Communities，LIVAC）的基础上，进行了中文五地（香港、澳门、上海、台湾和新加坡）社区词的研究，取得了一批令人瞩目的成果。该语料库不仅可以从共时平面进行语言变异的研究，也可以从历时的角度进行语言变化的研究。《社会语言学教程》第六章“基于语料库的社会语言学研究”专门讨论如何利用语料库进行社会语言学研究。该章利用这一共时语料库从共时角度比较了各地中文词汇使用的不同情况，分析了新词的发展变化，并从港澳报刊地名词的演变观察社会的变化，开拓了我国社会语言学变异研究的新路子[3]。
黄昌宁等认为，语料库方法是解决不同语域的语言特性描写问题的最好方法，并且介绍了Biber进行口语和书面语两种不同语域变体的研究[7]。语域（register）是社会语言学的一个重要概念，陈瑞端把这个英文词翻译成“语体”，并对大陆、香港和台湾三地的科学语体、事务语体和报道语体的许多语言成分进行了定量分析①。这些研究是社会语言学利用语料库方法在语域研究方面的开拓性研究，为我们积累了经验。
桂诗春等介绍了话语分析研究中的语料库方法[1]。Hope把语料库方法与社会语言学的研究结合起来研究一些莎士比亚有争议的剧作者的归属问题。Hope通过第二人称代词和助动词的使用，观察作家的出生年份和使用规则化句子的关系来判定作品的归属[8]。Sotillo和Wang-Gempp的《运用语料库语言学的方法探讨网络政治话题讨论中的阶级、意识形态、说话跑题》，对一个有46300个词的语料库的称呼语、夸张用法、词汇选择、词语搭配、认知动词和人称代词的使用情况进行了分析，其语料来自美国北新泽西五个城镇居民有关政治话题的在线讨论。该研究发现，词汇选择（lexical choices）和负面的语义韵律（negative semantic prosody）可用于破坏候选人的形象，第一人称和第二人称单数代词比第一人称和第三人称复数代词出现的频率高。参与者用第二人称代词完成以下四个语用功能：劝说有可能投票的人；告诫某一候选人不要出现；排除不同政见；在更广泛的意义上与网民交流[9]。我国学者也重视利用语料库的方法进行话语分析研究，马博森在《当代中国话语语料库的建构问题》一文中认为运用语料库语料及语料库分析方法研究不同类型的话语，可以帮助人们进一步认识语言与社会之间的关系。他还提出了建构当代话语语料库的基本设想及总体框架。其总体框架是分别建书面语语料库和口语语料库。书面语又根据语域和体裁建子语料库，口语分社会话语和家庭话语两大类建库[10]。
回顾过去的研究，其重点主要集中在词汇层面上，语法方面和话语方面虽然也出现了一些成果，但从总体上看还不能与词汇研究相比，这与语料库的设计和建设有直接关系，因此，利用语料库方法进行社会语言学研究还有许多开拓空间。
三、利用语料库检验汉语外来词变化的例子
苏金智对刘正埮等编的《汉语外来词词典》[11]中汉语外来词的消长进行了研究，判断其中约占词典1%的134个音译词基本上被汉语固有词语所取代[12]。这篇文章立论时只是将是否收入《现代汉语词典》作为标准，没有语料库的支持。现在我们通过国家语委现代汉语语料库的查询系统②对134个音译词逐个进行查询，看看这些词语的出现情况，以证明这一判断是否正确。国家语委现代汉语语料库是一个大型的国家级的平衡语料库，包含1亿字生语料库、5500万字标注语料库、100万字句法树库、语料库建设加工系列软件和语料库查询检索系统[13]。语料库选材时间跨度为1919至2003年，1997年以前约7000万字，1997年以后约3000万字。
通过该检索系统对这134个汉语音译词的出现情况逐一进行搜索，其中只有15个词能统计到词频，如表1所示，其余119个词未统计到词频。
经原文核对，上面15个音译词中只有12个完全对应于外语原形词在语料库中出现，它们是：“安那其（琪）”、“安琪儿”、“白脱（油）”、“德律（利）风”、“德谟克拉西”、“费厄泼赖”、“回丝”、“胶姆糖”、“莱塞”、“密斯”、“赛因斯”、“水门汀”。其他3个词虽然出现，但 语料库中的例子显示与《汉语外来词词典》所对应的原形词无关，而是对应于其他外语原形词。如“喀斯特”出现17次，全部是地质用语（这个用法已经收入中国社会科学院语言研究所编的《现代汉语词典》），即Karst的音译，与《汉语外来词词典》所列的义项“种姓制度”无关；“摩托”一词出现18次，是摩托车的意思，与发动机无关；“马克”出现54次，44次作为货币名称出现，10次作为人名出现，与“边界”和“边境”无关。
为了方便讨论，我们把这12个音译词的出现情况在表2中列出。
从表2可以看出，“安那其（琪）”、“水门汀”两词都只出现在20世纪30年代；“德律（利）风”、“莱塞”、“德谟克拉西”、“赛因斯”等4个词作为历史词提及；“费厄泼赖”出现7例，6例实际上也是作为历史词提及，只有1例是在实际的语言环境中使用。另外，1980年以后实际语言环境中使用的外来词是“安琪儿”、“白脱（油）”、“回丝”、“胶姆糖”和“密斯”等5个词。从下面表3中5个词相对应的汉语固有词与音译词出现的频率的对比中可以发现，固有词出现的频率均大大多于音译词。这里需要说明的是，胶姆糖本来是英文chewing gum的半音译词，汉语固有词是口香糖，但实际使用中这个词也包括了泡泡糖，所以两者都计算在内。
在134个音译词中，除了上面分析的15词外，还有119个没有统计到词频，没有统计到词频的词占绝大多数。由此可以证明，《语言接触与语言借用——汉语借词消长研究》一文中所分析的134个音译词被汉语固有词代替的结论基本上符合现代汉语的语料实际。
通过利用语料库检验汉语外来词变化的例子可以看到，语料库能够在社会语言学研究中起到重要作用，但同时我们也看到了上述语料库所存在的局限。这个局限主要体现在两个方面，一是语料库历时分布的均衡性不足，二是音译词没有得到有效的标注。下文将进行比较详细的讨论。
四、社会语言学研究需要什么样的语料库？
利用语料库和语料库方法进行社会语言学研究需要注意两方面的问题：一是语料库的作用是什么，如何建设一个好的语料库；二是社会语言学研究需要什么样的语料库。
语料库的通常定义是语言研究收集的、用电子形式保存的语言材料，由自然出现的书面语或口语的样本汇集而成，用来代表特定的语言或语言变体。经过科学选材和标注、具有适当规模的语料库能够反映和记录语言的实际使用情况。人们可以通过语料库观察和把握语言事实，分析和研究语言系统的规律。语料库语言学通常被认为不属于语言本身某个侧面的研究，而是一种以现实生活中人们运用语言的实例为基础进行语言研究的方法，以语料库为语言描述的起点，用语料来验证有关语言假说。它为语言研究提供了一种方法论基础，同时又给语言学研究提供了新的思路，所以它是介于理论和方法论之间的一种研究[14]。语料库语言学是语言研究与相应的计算机技术相伴相生的产物，是语言研究中定量和定性方法相结合的典范。相对传统语言学，语料库语言学不仅研究哪些词语、结构和使用是可能出现的，而且还要统计其出现的概率和方式。
语料库设计和开发最主要的出发点是使在其基础上开展的语言调查是合理、可靠的。Kennedy指出，语料库设计所面临的最基本的问题是语料库所采集的语言数据是否能真正代表某种期望的语言或语体[15]。McEnery和Wilson认为，语料库并不是语篇的简单堆砌，它应具有样本广泛、规模有限、机器可读等基本特征[4]。
语料库的代表性和平衡性是语料库建设的基本要求。作为对语言的抽样，语料的代表性是语料库数据合理性和可靠性的保证。Leech认为，一个语料库具有代表性是指从该语料库获得的分析结果可以概括成为这种语言整体或其指定部分的特性[16]。所有语料库建设者都力图使其创建的语料库足以代表或反映其所要研究的目标语域或整个语言的语言事实，因此在创建初期都会对语料库的设计、取样进行科学的分析[17]。但有一点我们必须认识到，无论如何也无法穷尽“某种语言的全体使用者说出来（或写下来）的和尚未说出来（或写下来）的所有话语”，因为它是一个开放集，理论上是无法真正捕获到这些语言全貌的。因而为了尽可能地（至少在统计上）反映语言的实际状况，对语言进行抽样的方法在一定程度上可以满足研究的需要，与“抽样”紧密关联的一个重要概念就是“代表性”问题，也即所收集的语料是否可以在统计上代表各种类型的真实话语。语料平衡性不能简单理解为文本的不同来源。实际上，不同来源语料的使用、发行和读者数都不一样。Sinclair提出，至少应该区分小说/非小说、图书/期刊/报纸、正式/非正式出版物、作者属性等[18]。然而，由于语言自身的高度复杂性，关于语料的代表性和平衡性还没有找到能为大家普遍接受的答案。
语料库规模也是建设语料库需要考虑的一个重要问题。多大的语料库才够用是伴随语料库作为一种研究方法产生的，也是最难回答的问题。一般就语言研究而言，例如研究词汇和词典编撰，或者比较各种文本的语言结构，语料库越大越好。但鉴于语句的无限性及语言的不断变化，语料是不能穷尽的，代表性也是相对而言的。因此，从量化研究的需要出发，语料的规模应是有限的。
语料库的标注加工是语料库能否发挥作用最重要的一环。一个语料库的功能主要与三个因素有关：一是语料库的规模，二是语料的分布，三是语料的加工程度。规模的大小关系到统计数据是否可靠，语料的分布涉及统计结果的适用范围，语料加工的深度则决定这个语料库能为使用者提供什么样的语言学信息。为了从语料库中抽取信息，必须首先从多个层面对语料库进行分析，并且将分析结果标注到语料库上去，这个过程就是语料库标注。语料库标注是指给口语或书面语语料库增添解释的（interpretative）和语言的（linguistic）信息的实践[16]。“标注”也可以视为这个过程的最终产品，即附加、关联或分散在语料中的语言标记。语料库标注给语料库带来巨大的附加价值，是语料库建设中最为关键的一环。Leech提出了英语语料库已经达到或可以达到的七个语言学标注层级，分别为拼写（orthographic）、语音（phonetic）、韵律（prosodic）、语法（grammatical）、句法（syntactic）、语义（semantic）和语用（pragmatics/discourse）[16]。
大型语料库的建立为各类语言研究提供了大量的真实语料，也为各种语言成分的定量分析提供了条件。但由于语料库的规模、分布和标注等方面存在局限，数据稀疏的问题还普遍存在。比如上文我们在讨论音译词时，提到134个音译词中有119个词查不到频次，即查询结果为0。这很可能主要是语料时间分布上不平衡出现的问题。
社会语言学研究对语料的代表性和平衡性有严格的要求，具有良好代表性、类别多样、时间分布平衡的语料库对于社会语言学的语言变异的研究意义更大。目前语料库的标注还远远不能适应社会语言学研究的要求，上面所说的七个语言学标注层级中，语用标注对社会语言学研究的帮助最大，但已标注语用信息的语料库一般都是用于专题研究性质的小型语料库，目前国内外的大型语料库大都缺少语用方面的标注。社会语言研究需要的语料库大致可从以下几个方面考虑：
（1）语料样本具有广泛性、代表性和平衡性；样本分布既有共时意义也有历时意义。所谓广泛性，指语料库收集的语料应该涉及各种文体，涵盖不同行业和不同地区的语言使用者。代表性、平衡性则是一般语料库共有的要求。样本分布具有共时意义可以用于共时的语言变异研究，具有历时意义则可以用于历时的语言变化研究。
（2）语料样本信息丰富完整，包含作者的民族、性别、年龄、出生地、母语等更多背景信息，其中部分信息需要通过标注获得。这些信息是社会语言学研究中重要的社会因素，是研究语言与社会共变的重要资料。
（3）语料库具有多层次、多方位的标注。例如，在词语标注方面，不仅有词性标注，有些具有地域特点的词语还应该有地区来源的标注。汉语里至少有四类词可以标注来源：第一类是方言词，可以标注出来自何地何种方言；第二类是社区词，可以标注出来自大陆、台湾、香港、澳门或其他华语社区；第三类是少数民族语言的借词，可以标注出来自何地何种少数民族语言；第四类是外来词，可以标注出来自哪个国家哪种语言，最好还能够标注出外来词的次类，如原形词、字母词、音译词、半音译半意译词、意译词等等，外来词如果有这样的标注，上面提到的没有频次的119个音译词的数量一定会大大减少。
五、期待与希望
近年来，语料库研究不断取得新的进展，相信在计算语言学界和社会语言学界的共同努力下，语料库的建设会进一步适应社会语言学研究的需求，推动社会语言学向定性研究和定量研究完美结合的方向发展。
社会语言学研究方法不仅是描写性的，更重要的是解释性的，解释语言在社会中发生的变化。语料库方法能够为语言变化的研究提供现代化的手段，可使这一领域的研究发生质的变化。我们期待计算语言学家更多关注语言变化研究，关注社会语言学研究，为社会语言学研究提供更多的理论方法和技术支持。从汉语语料库的建设和中国社会语言学研究的角度出发，我们认为以下三个问题值得重视：
一是现有的古代汉语语料库和现代汉语语料库应该进一步整合，建设成为可以进行连续检索、分析汉语历时变化的重要语料库，使语料库资源得到更便捷、更充分的利用。
二是LIVAC语料库在跟踪研究现代汉语不同社区词的共时变化上已经发挥了重要作用，但应该进一步丰富检索功能，让更多的研究人员利用这一平台。
三是语料库建设时应该进一步研究如何满足社会语言学研究的需求，进行社会语言学研究所需信息的标注，以便深入开发利用。
①陈瑞端《三种汉语书面语体研究》，香港理工大学2000年博士学位论文。[Chan Shui Duen,"Linguistic Characterization of Three Written Chinese Registers," Ph.D Dissertation,the Hong Kong Polytechnic University,2000.]
②语料库在线网站：www.cncorpus.org。