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
1 、字处理（包括标点符号） [C]：错字标记，用于标示考生写的不成字的字。用[C]代表错字，在[C]前填写正确的字。 例如：地球[C]（“球”是错字）、这[C]。 [B]：别字标记，用于标示把甲字写成乙字的情况。别字包括同音的、不同音而只是形似的、既不同音也不形似但成字的等等。把别字移至[B]中B的后面，并在[B]前填写正确的字。 例如：提[B题]高、考虑[B虎]。 [L]：漏字标记，用于标示作文中应有而没有的字。用[L]表示漏掉的字，并在[L]前填写所漏掉的字。 例如： 后悔[L]，表示“悔”在原文中是漏掉的字。 农[L]药，表示“农”在原文中是漏掉的字。 [D]：多字标记，用于标示作文中不应出现而出现的字。把多余的字移至[D]中D的后面。 例如：我的[D的]，表示括号中的“的”是多余的字（原文中写了两个“的”）。[F]：繁体字标记，用于标示繁体字。把繁体字移至[F]中F的后面，并在[F]前填写简体字。 例如：记忆[F憶]、单{F單}纯、养{F養}分{F份}。 注意： 1）繁体字标记标示的是使用正确的繁体字，如果该繁体字同时又是别字，则先标繁体字标记，再标别字标记。
例如：俭朴[F樸[B僕]]。 2）繁体字写错了，标为：后[F後[C]]。 [Y]：异体字标记，用于标示异体字。把异体字移至[Y]中Y的后面，并在[Y]前填写简体字。 例如：偏[Y徧]、沉[Y沈]。 [P]：拼音字标记，用于标示以汉语拼音代替汉字的情况。把拼音字移至[P]中P的后面，并在[P]前填写简体字。 例如：缘[Pyúan]分、保护[Phù]。 [#]：无法识别的字的标记，用于标示无法识别的字。每个不可识别的字用一个[#]表示。例如：更[#][#]保存自己的生命，…… [BC]：错误标点标记，用于标示使用错误的标点符号。把错误标点移至[BC]中BC的后面，并在[BC]前填写正确的标点符号。 例如：勤奋、[BC，]刻苦的精神。 [BQ]：空缺标点标记，用于标示应用标点符号而未用的情况。把[BQ]插入空缺标点之处，并在[BQ]中BQ的后面填写所缺的标点符号。 例如：周围的环境很安静[BQ，]生活也非常平凡。 [BD]：多余标点标记，用于标示不应用标点符号而用了的情况。把多余的标点移至[BD]中BD的后面。 例如：我家周围的[BD，]美丽风景。 2、词处理：（包括成语） {CC}：错词标记，用于标示错误的词和成语。包括4种情况： 1）把词的构成成分写错顺序的。
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。
第一章 1.GIS的名词分析与推论 GIS概念：具有地理数据的采集、管理、分析、表达能力，能为决策者提供有用地理信息的系统。 推论1：地理信息系统采集的数据为空间数据，即具有空间位置，又具有属性特征。地理信息系统的数据库因此又称为空间数据库。 推论二：地理信息系统具有采集、管理、分析地理数据和表达地理信息的能力。包括空间数据库建设和空间数据库的应用两个层次。 推论三：地理信息系统包括计算机硬件、软件、数据、系统开发人员和用户，但由于处理和分析的是地理数据，因此，在通用的硬件、软件基础上，还有体现专业特点的硬、软件。 2.GIS空间数据体系 空间数据库：空间数据和属性数据的组织 矢量有混合式、扩展式和开放式
矢量数据的空间数据组织：空间坐标数据的非结构化和属性数据的结构化 栅格数据：像元阵列 3.GIS数据模型 矢量数据模型：简单数据结构（面条结构）：如Shapefile、拓扑数据结构：如Coverge、面向对象的数据模型：如Geodatabase 栅格数据模型：栅格文件常用格式：*.tif,*.jpg,*.bmp等。GIS中的栅格格式：ESRI的Grid、Geodatabase的栅格数据集等。遥感图像的格式：PCI的* .pix，Erdas的*.img等。 4.空间数据库设计核心 将现实世界抽象为GIS数据模型，这是数据库设计的核心。 5.名词解释： 面条结构：数据按点、线、面为单元进行组织，点、线、面都有自己的坐标数据。最典型的是面条结构。 拓扑数据结构：不仅存储空间位置，同时存储空间关系。 拓扑关联：指存在于空间图形的不同类型元素之间的拓扑关系。如结点与弧段、弧段与多边形。 第二章 1.名词解释： 数据词典：以词典的方式描述和定义E-R模型设计中出现和形成的实体、关系。 数据模型匹配：实现将实体类型和特征类型（Coverage、Shapefile、Grid等）的匹配。
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.doczj.com/doc/f22534537.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
语料库检索分析在高级英语语篇教学中的应用_ 语料库检索 语料库检索分析在高级英语语篇教学中的应用_语料库检索摘要语料库语言学通过对自然文本的检索、统计，实现文本的语篇结构、文体风格、语言特征等的量化分析。语料库软件工具如Wordsmith、Concordancer软件等为语篇教学提供了量化分析手段。本文依据语料库语言学的研究方法,主要运用Wordsmith、Antconc软件，以课文"Blackmail"为小型教学语料库，探索高级英语语篇教学的新途径。 关键词语料库检索分析；高级英语；语篇教学1.引言高级英语是英语专业高年级阶段的一门主干课程，其教学目标是"通过阅读和分析内容广泛的材料，扩大学生知识面，加深学生对社会和人生的理解，培养学生对名篇的分析和欣赏能力、逻辑思维与独立思考的能力，巩固和提高学生英语语言技能"1。鉴于此，围绕高级英语课程的教学研究与改革长期以来备受专家、学者和广大师生的关注，如朱传枝2、杨志亭3、刘采敏和楚向群4、李洁平5、黄文英6等。十多年来，随着语言教学理论研究的深入以及计算机网络和多媒体技术的快速发展，高级英语课程改革成绩斐然，教学效果显著提高。然而，在语篇教学中不难发现，由于缺乏科学的文本分析手段和工具，学生对语篇的分析和欣赏"多来自
教师在反复阅读全文的基础上根据某种理论框架或自身独特的理解能力及审美取向所做的解释"7，或者依赖于教学参考书籍上的注解，学习效果大打折扣，成为了困扰教师的一大教学瓶颈。语料库语言学的出现为高级英语语篇教学提供了有力的理论和技术支持，对于解决教学中存在的难题有着重大的启示和意义。 2.语料库与语料库检索分析软件的应用20世纪90年代以来，语料库语言学的迅速发展"给语言研究以及语言应用研究带来了一场革命性的变化"8，而"基于语料库的研究方法已经逐渐扩展到语言教学、话语分析、翻译研究、词典编纂和自然语言处理等多个领域"9。语料库语言学以真实的语言数据为研究对象，通过对大量语言事实进行分析，寻找语言应用的规律和模式。由于语料库研究中的统计数据以实际使用中语言现象的出现概率为依据，且基于语料库而得到的数据避免了偶然性，从而提升了分析结果的可信度。 因此，语料库语言学为语言研究和教学提供了一种全新的模式。 随着计算机信息技术的日新月异，语料库为语言研究提供了空前广泛的语言资料。目前，国际上影响较大的语料库有英国COBUILD语料库（CollinsBirminghamUniversityInternationalLanguageDatabas e）、BNC英语国家语料库（TheBritishNationalCorpus）、CIC 语料库CambridgeInternationalCorpus、ICE语料库
实验报告 一、实验名称 二、实验目的 三、实验准备 四、实验内容及步骤 五、实验后思考题 班级：资工（基）10901 姓名：魏文风 序号：28 实验二、空间数据库管理及属性编辑 一、实验目的 1.利用ArcCatalog管理地理空间数据库，理解Personal Geodatabse空间数据库模型的有关概念。 2.掌握在ArcMap中编辑属性数据的基本操作。 3.掌握根据GPS数据文件生成矢量图层的方法和过程。 4.理解图层属性表间的连接(Join)或关联(Link)关系。 二、实验准备 预备知识： ArcCatalog 用于组织和管理所有GIS 数据。它包含一组工具用于浏览和查找地理数据、记录和浏览元数据、快速显示数据集及为地理数据定义数据结构。 ArcCatalog 应用模块帮助你组织和管理你所有的GIS 信息，比如地图，数据集，模型，元数据，服务等。它包括了下面的工具： ●浏览和查找地理信息。 ●记录、查看和管理元数据。 ●创建、编辑图层和数据库 ●导入和导出geodatabase 结构和设计。 ●在局域网和广域网上搜索和查找的GIS 数据。
管理ArcGIS Server。 ArcGIS 具有表达要素、栅格等空间信息的高级地理数据模型，ArcGIS支持基于文件和DBMS(数据库管理系统)的两种数据模型。基于文件的数据模型包括Coverage、Shape文件、Grids、影像、不规则三角网(TIN)等GIS数据集。 Geodatabase 数据模型实现矢量数据和栅格数据的一体化存储，有两种格式，一种是基于Access文件的格式－称为Personal Geodatabase，另一种是基于Oracle或SQL Server等RDBMS关系数据库管理系统的数据模型。 GeoDatabase是geographic database 的简写，Geodatabase 是一种采用标准关系数据库技术来表现地理信息的数据模型。Geodatabase是ArcGIS软件中最主要的数据库模型。 Geodatabase 支持在标准的数据库管理系统（DBMS）表中存储和管理地理信息。 在Geodatabase数据库模型中，可以将图形数据和属性数据同时存储在一个数据表中，每一个图层对应这样一个数据表。 Geodatabase可以表达复杂的地理要素（如，河流网络、电线杆等）。比如：水系可以同时表示线状和面状的水系。 基本概念：要素数据集、要素类 数据准备： 数据文件：National.mdb ，GPS.txt （GPS野外采集数据）。 软件准备： ArcGIS Desktop 9.x ---ArcCatalog 三、实验内容及步骤 第1步启动ArcCatalog打开一个地理数据库 当ArcCatalog打开后，点击, 按钮（连接到文件夹）. 建立到包含练习数据的连接（比如 “E:\ARCGIS\EXEC2”）, 在ArcCatalog窗口左边的目录树中, 点击上面创建的文件夹的连接图标旁的(+)号，双击个人空间数据库－National.mdb。打开它。. 在National.mdb中包含有2个要素数据集、1个关系类和1个属性表第2步预览地理数据库中的要素类 在ArcCatalog窗口右边的数据显示区内，点击“预览”选项页切换到“预览”视图界面。在目录树中，双击数据集要素集－“WorldContainer”，点击要素类－“Countries94”激活它。 在此窗口的下方，“预览”下拉列表中，选择“表格”。现在，你可以看到Countries94的属性表。查看它的属性字段信息。 花几分钟，以同样的方法查看一下National.mdb地理数据库中的其它数据。
多语种在线语料库检索平台使用简明手册 许家金 中国外语与教育研究中心 、访问及登录 访问（用户名：和密码：），可点击使用相应的语料库。目前平台上已安装英语、汉语、德语、日语、俄语、阿拉伯语、冰岛语等数十个语料库。 图：主界面 、功能概要 按（）对语料库分析工具的时代划分，属于第四代语料库工具，即在线语料库分析工具。四代工具的突出代表是美国杨百翰（）大学教授创建的系列语料库检索界面（）。类似的在线语料库检索系统还有、、、等。而当前主流的语料库工具属于第三代，其中以、和等为代表。 第四代语料库工具，将语料库与分析工具合二为一，越来越受到普通用户的青睐。在线语料库工具通常将语料库文本按特定格式建成索引（），存储在服务器上。用户检索响应速度要远高于三代软件在本地电脑上的检索速度。其操作也较三代语料库软件简便得多。 四代语料库工具可完成三代语料库几乎所有的功能，其中又以所能实现的功能最多最全。更重的是，是开源软件。概括说来，可以实现以下功能。 （）在线生成语料库的词频表（）； （）查询（）字词、语言结构等，以获取大量语言实例或相应结构的出现频次（），并可以按语体、年代、章节、学生语言水平级别、写作题材等分别呈现查询结果； （）计算特定词语在语料库中的典型搭配（）； （）计算语料库中的核心关键词（），等。
、使用实例 标准查询模式 在简单查询模式（）下，可输入单词、短语等进行检索。 图：语料库查询界面 图：查询结果界面
点击查询结果页面右上角下拉菜单，显示（新查询）时，按键，即可重新回到语料库检索界面。相当于返回按钮。 新查询，返回语料库检索首页 查询结果随机抽样 频数分解、分解频数 查询结果的分布展示 查询结果排序设定 搭配计算 下载保存查询结果 （随机取样），比如，可从万行结果中，随机抽取行。 （频数分解）表示在进行复杂查询时，对命中的不同词项分别计算频数。比如，查询时，会按这个词项分别报告命中频数和频率。 图：动词查询（频数分解）结果示例 ：按语体、年代、章节、学生语言水平、写作题材等分别呈现查询结果 图：语料库中"lov.*"的分布情况（）
3.5语料库常用统计方法 第3章前几节对语料库应用中的几种主要技术做了介绍。通过语料检索、词表和主题词表的生成，可以得到一定数量的句子、词汇或结构。为能更好说明所得到的结果的真正意义，常常需要对它们加以统计学分析。本章主要介绍语料分析中的一些常用统计方法。 3.5.1 语料库与统计方法 介绍相关统计方法之前，首先需要了解为什么语料库应用中需要运用统计方法。在2.1节讲到文本采集时，我们知道文本或会话构成了最终的语料库样本。这些样本是通过一定的抽样方法获得的。研究中，我们需要描述这些样本的出现和分布情况。此外，我们还经常需要观察不同语言项目之间在一定语境中共同出现（简称共现）的概率；以及观察某个（些）语言项目在不同文本之间出现多少的差异性。这些需要借助统计学知识来加以描写和分析。 理论上说，几乎所有统计方法都可以用于语料库分析。本章只择其中一些常用方法做一介绍。我们更注重相关统计方法的实际应用，不过多探讨其统计学原理。这一章我们主要介绍语料分析中的频数标准化（normalization ）、频数差异检验和搭配强度的计算方法。 3.5.2 频数标准化 基本原理 通常语料检索、词表生成结果中都会报告频数（frequency, freq 或raw frequency ）。那么某词（如many ）在某语料库中出现频数为100次说明什么呢？这个词在另一个语料库中出现频数为105次，是否可以说many 在第二个语料库中更常用呢？显然，不能因为105大于100，就认定many 在第二个语料库中更常用。这里大家很容易想到，两个语料库的大小未必相同。按照通常的思维，我们可以算出many 在两个语料库中的出现百分比，这样就可比了。这种情况下，我们是将many 在两个语料库中的出现频数归到一个共同基数100之上，即每100词中出现多少个many 。这里通过百分比得到的频率即是一种标准化频率。有些文献中标准化频率也称归一频率或标称频率，即基于一个统一基准得出的频率。 实例及操作 频数标准化，首先需要用某个（些）检索项的实际观察频数（原始频数，raw frequency ）除以总体频数（通常为文本或语料库的总词数），这样得到每一个单词里会出现该检索项多少次。在频数标准化操作中，我们通常会在此基础上乘以1千（1万、1百万）得到平均每千（万、百万）词的出现频率。即： 1000?=总体频数 观测频数标准化频率（每千词） （注：观测频数即检索词项实际出现的次数；总体频数即语料库的大小或总形符数。） 例如，more 在中国学生的作文里出现251次，在英语母语者语料中出现475次。两个语料库的大小分别为37,655词次和174,676词次。我们可以根据上面的公式很容易计算出251和475对应的标准化频率。另外，我们还可以利用Excel 或SPSS 等工具来计算标准化频率。比如，可以将实际观察频数和语料库大小如图3.5.1输入相应的单元格，然后在C1单元格里输入=(A1/B1)*1000即可得到中国学生每千词使用more 约为6.67次。要得到母语
中介语语料库与汉语教学研究 什么是汉语中介语 早期的和后期的（早期受行为主义影响，语言学家通过对比发现差异，预测可能有的错误，从而指定大纲） 早期对比分析的理论方法存在致命弱点，如果归结为一句话，那就是，人们试图用简单的语言学的方法取解决复杂的心理学的问题。语言习得涉及学习的主体和客体的方方面面，对比分析却仅仅局限于语言系统的对比，忽略了学习者这一主体以及作为学习客体的过程。 早期的中介语理论，首先在理论导向上实现了所谓“教学中心”的观点向“学习中心”的观点的根本转变。 中介语理论把目光转向学习者特有的语言系统，并将其作为一个独立的、与学习者的母语和目的语系统并列的系统来考察。也就是说，中介语研究不仅要考察学习者的母语和目的语系统，还要考察学习者的中介语系统，考察学习者自身及习得过程，这标志着第二语言习得研究方向的根本转变。 目前中介语研究在方法上存在的问题： （1）在研究方法上一个最严重的问题是不能进行重复性的研究；（2）在对第二语言学习者的言语行为进行解释时，没有考虑到足够的相关材料；（3）只在单一的情景运用单一的方法收集中介语语料；（4）收集数据的方法不恰当；（5）在假设检验的研究中满足于对逸闻趣事的材料进行分析，缺乏定量分析；（6）在实验研究中或获得基线数据时，收集数据的手段可靠。 有关中介语的研究 王建勤《历史回眸：早期的中介语理论研究》，《语言教学与研究》2000年第2期。 王建勤《关于中介语研究方法的思考》，《汉语学习》2000年第3期。（中介语研究的理论和方法进行了探讨） 彭利贞《论中介语的语篇层次》，《第五届国际汉语教学讨论会论文选》北京大学出版社1997年。 ----------------------------------- 中介语研究的现状与发展 自上世纪80年代算起，对外汉语教学领域的中介语研究已经有20多年的历史了。20多年来，这一领域的研究发生了很大的变化。 1984年鲁健冀《中介语理论与外国人学习汉语的语音偏误分析》 中介语研究引起了普遍的关注 由于中介语理论的引进不够系统，对外汉语教学界的中介语研究基本上停留在偏误分析的基础上。 近年来中介语研究的进展表现之一是研究的范围进一步扩大。从语篇的角度研究学习者的中介语系统，早在上世纪80年代初就引起了国外学者的关注。在汉语习得研究领域，中介语
一关于CCL语料库及其检索系统 （如果时间紧张，可直接跳到最后的举例部分！） 1.1 CCL语料库及其检索系统为纯学术非盈利性的。不得将本系统及其产生的检索结果用于任何商业目的。CCL不承担由此产生的一切后果。 1.2 本语料库仅供语言研究参考之用。语料本身的正确性需要您自己加以核实。 1.3 语料库中所含语料的基本内容信息可以在“高级搜索”页面上，点击相应的链接查看。比如： “作者列表”：列出语料库中所包含的文件的作者 “篇名列表”：列出语料库中所包含的篇目名 “类型列表”：列出语料库中文章的分类信息 “路径列表”：列出语料库中各文件在计算机中存放的目录 “模式列表”：列出语料库中可以查询的模式 1.4 语料库中的中文文本未经分词处理。 1.5 检索系统以汉字为基本单位。 1.6 主要功能特色： ?支持复杂检索表达式（比如不相邻关键字查询，指定距离查询，等等）； ?支持对标点符号的查询（比如查询“？”可以检索语料库中所有疑问句）； ?支持在“结果集”中继续检索； ?用户可定制查询结果的显示方式（如左右长度，排序等）； ?用户可从网页上下载查询结果(text文件)； 二关于查询表达式 本节对CCL语料库检索系统目前支持的查询表达式加以说明。 2.1 特殊符号 查询表达式中可以使用的特殊符号包括8个： | $ # + - ~ ! : 这些符号分为四组： Operator1: | Operator2: $ # + - ~ Operaotr3: !
Delimiter: : 符号的含义如下： （一） Operator1: Operator1是二元操作符，它的两边可以出现“基本项”（关于“基本项”的定义见2.2） （1） | 相当于逻辑中的“或”关系。 （二） Operator2：Operator2是二元操作符，它的两边可以出现“简单项”（关于“简单项”的定义见2.3） （2） $ 表示它两边的“简单项”按照左边在前、右边在后的次序出现于同一句中。两个“简单项”之间相隔字数小于或等于Number （3） # 表示它两边的“简单项”出现于同一句中，不考虑前后次序。两个“简单项”之间相隔字数小于或等于Number （4） + 表示它两边的“简单项”按照左边在前、右边在后的次序出现于同一句中。两个“简单项”之间相隔字数刚好等于Number （5） - 表示它左边的“简单项”出现于句子中，并且，在右边相隔Number个字的范围内，-号右边的“简单项”不出现。 （6） ~ 表示它左边的“简单项”出现于句子中，并且，在左边相隔Number个字的范围内，~号右边的“简单项”不出现。 （三）Operator3：Operator3是一元操作符。 （7） ! 表示它后面的“简单项”是本次查询的主关键字符串，显示查询结果时以该“简单项”作为中心来进行定位。 注意： Operator2后面的Number是必须的，不能省略。Number=0表示相 邻,Number=1表示间隔1个单位，其余依此类推。 （四）Delimiter：西文冒号 : 是分隔符 （8） : 跟在 path，author，name，type，pattern 等关键字后面，用于分隔关键字和它们的取值。这样形成的查询式我们称之为“过滤项”（见下面2.5） 注意：上述特殊字符不能作为基本项在语料库中进行检索。path，author等关键字可以作为基本项进行检索。 2.2 基本项 指不包含特殊符号和空格的连续字符串
基于语料库的海明威作品《雨中的猫》分析 ——以写作风格和小说主题为例 王树振 （天津师范大学外国语学院，天津， 300387） 【摘要】美国著名作家厄内斯特·海明威的短篇小说《雨中的猫》（1922），自发表以 来便引起文学评论界的极大关注。在作品中，通过对一个日常生活片段的叙述，作者 揭示了女性生存困境的主题。而基于语料库的文学研究，则是通过利用语料库检索软 件来考察作者的写作风格、解读作品的主题。在前人研究的基础之上，笔者拟运用语 料库语言学的方法对这部小说进行更深入的研究。通过使用Wordsmith和AntConc等 语料库检索软件，笔者拟对《雨中的猫》进行词语、句子及篇章结构进行统计分析， 最后不仅能够分析得出海明威用词简单、句子简短的写作风格，还能利用关键词检索 和自动生成的语境，来了解小说的主要内容和人物形象的塑造，这为解读小说的主题 提供了新的研究方法和途径。 【关键词】语料库检索；写作风格；主题 近年来, 国内外不少学者将语料库研究方法应用到文学领域，利用语料库检索软件对文本进行分析, 如Sinclair（1991）、Biber（2000）、张厚振（2004）、肖普勤（2005）等。他们的研究大胆创新，为后来的文学研究者带来很大的启示。正如Sinclair（1991: 36）所论述的那样，“（语料库检索）最激动人心的方面不是对描述进行直观的分类，而是为找到新的方法、新的证据以及新的描述提供可能。在这里，计算机技术的客观性和表面的正当性变成了一种优势，而不是没有放弃直觉前提下的一种责任。当然，我们要尽力找到符合证据的解释，而不是为了迎合现有的解释而去修改我们的证据。” 《雨中的猫》是美国著名小说家海明威的著名短篇，故事情节主要围绕一只雨中的猫展开，叙述了旅居意大利的一对美国夫妻的一段生活场景。本文用Wordsmith及AntConc的Wordlist、Concordance和Keyword对《雨中的猫》的文本特征、主要内容、人物形象和文本主题进行分析，以展示语料库检索软件在文学分析方面的强大功能。 一、基于词表的文本总体特征分析 基于语料库的语言研究一般采取定性与定量相结合的研究方法，要进行定量研究就要涉及文本检索和数据统计。Wordsmith软件中的Wordlist工具可以对文本的基本信息进行统计，自动生成词表(图1)。它可以提供文本中的简略统计数据，从而有助于分析文本的总体统计特征和基本情况。
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
关于语料库的三点基本认识：语料库中存放的是在语言的实际使用中真实出现过的语言材料;语料库是以电子计算机为载体承载语言知识的基础资源;真实语料需要经过加工(分析和处理),才能成为有用的资源; 在语言学中，语料库（Corpus）指大量文本的集合，库中的文本（称为语料）通常经过整理，具有既定的格式与标记，特指计算机存储的数字化语料库。 语料库是语料库语言学研究的基础资源，也是经验主义语言研究方法的主要资源。应用于词典编纂，语言教学，传统语言研究，自然语言处理中基于统计或实例的研究等方面。 分类 语料库有多种类型，确定类型的主要依据是它的研究目的和用途，这一点往往能够体现在语料采集的原则和方式上。有人曾经把语料库分成四种类型：（1）异质的（Heterogeneous）：没有特定的语料收集原则，广泛收集并原样存储各种语料；（2）同质的（Homogeneous）：只收集同一类内容的语料；（3）系统的（Systematic）：根据预先确定的原则和比例收集语料，使语料具有平衡性和系统性，能够代表某一范围内的语言事实；（4）专用的（Specialized）：只收集用于某一特定用途的语料。 除此之外，按照语料的语种，语料库也可以分成单语的（Monolingual）、双语的（Bilingual）和多语的（Multilingual）。按照语料的采集单位，语料库又可以分为语篇的、语句的、短语的。双语和多语语料库按照语料的组织形式，还可以分为平行（对齐）语料库和比较语料库，前者的语料构成译文关系，多用于机器翻译、双语词典编撰等应用领域，后者将表述同样内容的不同语言文本收集到一起，多用于语言对比研究。目前已经累积了大量各种类型的语料库，如：葡萄牙语种树库、面向文本分类研究的中英文新闻分类语料库、路透社文本分类训练语料库、中文文本分类语料库、大开放字幕库OpenSubtitles的多语言平行语料数据(OpenSubtitles Corpus)、《圣经》双语语料库("Bible" bilingual corpus)、Short messages service(SMS ) corpus(短消息服务（SMS）语料)等。 特征 语料库有三点特征 1.语料库中存放的是在语言的实际使用中真实出现过的语言材料，因此例句库通常不应算作语料库； 2.语料库是承载语言知识的基础资源，但并不等于语言知识；
国家科学数据共享工程 中国地球系统科学数据共享试点 2004DKA20180 空间与属性数据库建库规范 （征求意见稿） 中国科学院地理科学与资源研究所 二○○五年三月，北京
中国地球系统科学数据共享试点 矢量数据库建库规范 （征求意见稿） （二○○五年三月） 前 言 资源环境领域的历史数据具有重要的研究价值，把历史数据及时数字化、建库管理，不仅能够使积累的历史数据更方便地为科技工作者使用，同时这也是科学数据共享工程中的重要一环。在长期矢量数据库建库（以下简称矢量库）的过程中，对其建设路线、操作规程和实际应用进行总结提炼、制定出本矢量数据库建设规范，以期为中国地球系统科学数据共享网中的矢量建库进行指导。 本规范包括五个部分和一个附录。 本规范起草单位：中科院地理科学与资源研究所 本规范由中国地球系统科学数据共享服务网组织起草并负责解释。 1 适应范围 本规范适用于地学领域的矢量数据建库建设以及相关的空间数据处理工作。 2 引用标准 GB/T 14512—93 1:1000000地形图编绘规范及图式 GB/T 16831--1997 地理点位置的纬度、经度和高程的标准表示法 GB/T 17278—1998 数字地形图产品模式 GB/T 17797—1999 地形数据库与地名数据库接口技术规程 GB/T 17798—1999 地球空间数据交换格式 GB/T 18315—2001 数字地形图系列和基本要求 GB/T 18316—2001 数字测绘产品检查验收和质量评定 GB/T 18317—2001 专题地图信息分类与代码 GB 14051—93 地形图用色 GB 12409—90 地理格网 GB/T 2260-2002 中华人民共和国行政区划代码 GB2808-81 全数字式日期表示法
语料库语言学基础知识 2008-09-11 01:45:34| 分类：学术|举报|字号订阅 语料库通常指为语言研究收集的、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。语料库已经成为语言学理论研究、应用研究和语言工程不可缺少的基础资源。 语料库有多种类型，确定类型的主要依据是它的研究目的和用途，这一点往往能够体现在语料采集的原则和方式上。有人曾经把语料库分成四种类型：（1）异质的（Heterogeneous）：没有特定的语料收集原则，广泛收集并原样存储各种语料；（2）同质的（Homogeneous）：只收集同一类内容的语料；（3）系统的（Systematic）：根据预先确定的原则和比例收集语料，使语料具有平衡性和系统性，能够代表某一范围内的语言事实；（4）专用的（Specialized）：只收集用于某一特定用途的语料。除此之外，按照语料的语种，语料库也可以分成单语的（Monolingual）、双语的（Bilingual）和多语的（Multilingual）。按照语料的采集单位，语料库又可以分为语篇的、语句的、短语的。双语和多语语料库按照语料的组织形式，还可以分为平行（对齐）语料库和比较语料库，前者的语料构成译文关系，多用于机器翻译、双语词典编撰等应用领域，后者将表述同样内容的不同语言文本收集到一起，多用于语言对比研究。 语料库建设中涉及的主要问题包括： （1）设计和规划：主要考虑语料库的用途、类型、规模、实现手段、质量保证、可扩展性等。 （2）语料的采集：主要考虑语料获取、数据格式、字符编码、语料分类、文本描述，以及各类语料的比例以保持平衡性等。 （3）语料的加工：包括标注项目（词语单位、词性、句法、语义、语体、篇章结构等）标记集、标注规范和加工方式。 （4）语料管理系统的建设：包括数据维护（语料录入、校对、存储、修改、删除及语料描述信息项目管理）、语料自动加工（分词、标注、文本分割、