语料库与翻译学24页PPT

... ?宣誓 而 ( 以 口述 或 书面 方式 ) 作出 证 供 ， 则 本 款 并不 阻止 该 命令 作出 。 ...
第22页/共24页
搭配统计分析
2-Left 2 his 2 perpetuate 2 to 1 officer 1 perpetuating 1 peretuation
1-Left 2 present 1 any 1 give 1 in 1 of 1 perpetuate 1 such 1 the
第10页/共24页
整理目标
• 1） 格式统一； • 2） 篇章级对齐； • 3） 消除噪音信息；
第11页/共24页
语料库编码
• CES和TEI(基于SGML),很复杂 • 我们也曾经提出一个基于XML的编码方案
第12页/共24页
基于XML的编码方案
（1）标记文本结 构
（2）标记切词、 词性等
（3）各个层级的 对齐关系
• 双语语料库建设 为机器翻译研究服务，同时兼顾其它应用类型
第8页/共24页
双语语料库建设的三个层次
• 1） 语料库收集、整理和编码 • 2） 语料库对齐和加工 • 3） 语料库的呈现和应用
第9页/共24页
语料库整理
• 语料的存放方式各异 • 语料的文件格式不同 • 语料中有不利于加工的噪音信息 • 语料的文体、领域、语式、创作时期不同 • ……
<p
id=2><a
id=2
no=1><s
id=1><Time>January
12,
1938</Time></s></a></p>
<p id=3><a id=3 no=1><s id=1><Subtitle>I</Subtitle></s></a></p>

词类标注


句法树库 已完成5000万字词语切分和词类标注语料库
201308041041 0109

语料库标注加工

语料库加工软件系统
分词词表

201308041041
0109

现代汉语词语切分歧义数据库

歧义点,歧义类型,歧义消解结果 基于国家语委语料库 2002, 863项目 1亿字 基于国家语委语料库选材原则 网络电子文本为主 段落级XML标注

刊物
• 每本刊物上所选的总字数原则上不超过5000字。样 本容量2000字，允许±500字的伸缩。
201308041041 0109



对同一版面的不同文章，按从上至下、从左到右 的顺序选取。 一个样本必为同一作者的同一篇文章，限字数不 限样本数（报刊除外）。 每个样本之中必为连续的语料内容。 应用文（包括广告、说明书等）
201308041041
0109
设计样本分布

科 目
表一：人文与社会科学类
比 例 字 数 1919-1925 1926-1949 1950-1965 1966-1976 19775% 15% 37.5 37.5 37.5 37.5 37.5 225 37.5 201308041041 25% 62.5 62.5 62.5 62.5 62.5 375 62.5 5% 12.5 12.5 12.5 12.5 12.5 75 12.5 50% 125 125 125 125 125 750 125 0109

2000字以内的应用文宜整篇选用。对于篇幅较长的应 用文，所选样本的容量为2000字，允许±500字的伸缩。
201308041041

语料库的共享机制和平台
添加 标题
国家语委语料库的共享机制：介绍语料库的共 享机制，包括共享方式、共享范围、共享内容 等。
添加 标题
国家语委语料库的合作平台：介绍语料库的合 作平台，包括合作方式、合作内容、合作对象 等。
添加 标题
国家语委语料库的共享和合作的意义：介绍语 料库的共享和合作的意义，包括促进语言研究、 推动语言教育、促进文化交流等。
• 案例3：国家语委语料库在语言规划中的应用 • 提供数据支持，为国家制定语言政策提供科学依据。 • 促进语言的规范化、标准化，提高语言的交际效率。 • 推动语言的健康发展，促进社会的和谐稳定。 案例4：国家语委语料库在文化传承中的应用
• 案例4：国家语委语料库在文化传承中的应用 • 保存和传承文化遗产，为后人留下宝贵的文化遗产。 • 促进文化的交流与传播，推动文化的多元化发展。 • 推动文化的创新与发展，为现代社会注入新的文化元素。
添加 标题
国家语委语料库的未来发展：介绍语料库的未 来发展，包括扩大语料库规模、提高语料库质 量、加强语料库应用等。
语料库的合作模式和案例
• 合作模式：国家语委语料库与高校、研究机构等合作，共同开展语言研究、教学等工作。 • 案例：国家语委语料库与某高校合作，共同开展汉语词汇研究，为汉语教学提供支持。 语料库的共享和合作
数字化语料库的建设和发展
数字化语料库的背 景和意义
数字化语料库的建 设过程
数字化语料库的智 能化发展
数字化语料库的应智能化语料库的定义和特 点
智能化语料库的应用场景
智能化语料库的发展趋势
智能化语料库的未来展望
未来数字化和智能化语料库的趋势
添加标题
数字化语料库的全面升级：随着技术的不断发展，数字化语料库将更加全面、高效地升级， 实现更加精准、快速的数据检索和分析。

• 语料库驱动的译学研究 在不预设任何理论或假设的前提下，使用原始文 本或不作任何标注处理的文本，提取高频使用的 词汇或句法结构，或者其他特定翻译事实，归纳 出某一理论或建构某一理论框架。
• 从研究路径上看，基于语料库的译学研究表现为 自上而下和自下而上方法相结合的特征，而语料 库驱动的译学研究主要采用自下而上的方法。
三：什么是语料库翻译学
• 语料库翻译学是指采用语料库方法，在观 察大量翻译事实或翻译现象并进行相关数 据统计的基础上，系统分析翻译本质和翻 译过程的研究。
四：语料库翻译学的发展
• 语料库翻译学的发展相当迅速。许多翻译 语料库、平行语料库和可比语料库先后建 成并投入使用，如：
• 翻译英语语料库（Translation English Corpus）
• 2)提取研究所需的语料和数据，进行数据统计和 分析;（自下而上）
• 3)描写数据所反映的总体特征和趋势，归纳出关 于某一翻译事实或翻译现象的结论;（自下而上）
• 4)解释有关翻译事实的成因。（自下而上）
• 语料库驱动的译学研究所采取的步骤与基于语料 库的译学大体相同，不过没有后者的第一个研究 步骤。
studied both quantitatively and qualitatively
二：语料库的分类
• Specialized corpus • General corpus • Comparable corpus • Parallel corpora • learner corpus • Pedagogical corpus • Historical/diachronic corpus • Monitor corpus
4)定量研究方法的应用
• 定量研究方法是指提取关于研究对象的数据，并 对数据进行检验和分析，以测定关于研究对象特 征的数值或求出因素间量的变化规律，以获取有 意义的结论。

详细描述
翻译错误分析研究通常包括对翻译文本进行 对比分析、错误标注和分类，以及解释错误 产生的原因和对译文质量的影响。此外，该 研究还涉及对不同类型翻译错误的分布和频 率进行统计和分析，以发现翻译过程中的普 遍问题和难点。这些研究结果可以为翻译教
育、培训和评估提供有益的参考和指导。
基于语料库的翻译风格对比研究
基于语料库的口译质量评估研究
总结词
口译质量评估是语料库翻译学的新兴研究领域，通过对 口译语料库进行分析和评估，可以客观地评价口译员的 翻译质量和工作表现，为提高口译教学和评估水平提供 有益的指导。
详细描述
口译质量评估研究通常采用实验设计和数据分析方法， 通过对口译语料库进行录音转写、标注、分析和评估， 以客观地评价口译员的翻译质量和工作表现。该研究可 以采用自动化评估和人工评估相结合的方式，通过对口 译语料的语音、语调、词汇、语法等方面进行分析，以 实现对口译质量的全面评估和准确评价。这些研究成果 可以为口译教学、培训和评估提供有益的参考和指导。
国内语料库翻译学
2023-11-06
contents
目录
• 语料库翻译学概述 • 语料库的建立与使用 • 翻译理论与研究 • 语料库翻译学的实践与应用 • 语料库翻译学的挑战与未来发展 • 语料库翻译学案例分析
01
语料库翻译学概述
定义与特点
定义
语料库翻译学是以语料库为基础，对翻译现象进行描述和分析的学科。它通过收集和分析大量的翻译文本，研 究翻译规律、翻译策略和翻译方法。
在20世纪末和21世纪初，随着全球化 和跨文化交流的加速，翻译需求不断 增加，语料库翻译学得到了进一步的 发展和应用。在这个时期，研究者们 开始将语料库方法应用于翻译研究， 通过对大量翻译文本的分析和比较， 探讨翻译规律和策略。

用途
第一个大型计算机语料库
以计算机自动化处理方式获取SEU语 料库的英语口语原始语料
SEU
LLC BROWN LOB COBUILD LONGMAN
1959年起
1975-1981 1960s 1970s 1980s 1988-1990
100万
50万 100万 100万 3.2亿 2800万
口语 书面语 书面语
语料库语言学的发展史
一般以乔姆斯基（N.Chomsky）转换生成 语法的兴衰史为参照点，将语料库语言学 的发展史大致分为三个时期： • 早期的语料库语言学 • 乔姆斯基的转换生成语法时期 • 语料库语言学的复苏时期
早期的语料库语言学
早期的语料库语言学是指20世纪50年代中期以前， 即以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。在50年代，语料库语 言学曾被广泛使用，主要集中体现在以下几个方 面： 1）语言习得 2）方言学 3）语言教学 4）句法和语义 5）音系研究
基于语料库的方法 corpus-based approach
• 由研究者根据以往的语言研究成果或对语言的认 识，首先提出假设，然后到语料库中去验证假设。 假设是否成立取决于语料库中的语言实例。基于 语料库的研究方法以概率为基础，是统计学和实 证研究方法在语料库语言学领域的具体应用。 17
语料库驱动的方法 corpus-driven approach
语料库研究方法的局限性
• • • • （1）语料库语言学理论尚需要体系化和简约化。 （2）其研究思路和方法存在一定的分歧。 （3）分析方法和技术需要进一步突破 （4）语料库研究的应用尚需要更深入的探讨。
国内语料库研究的局限性
（1）缺乏应有的精密分析过程，显示不出应有的分析力 量（analytical power）。 （2）一些研究将事实与译论混在一起，将语料库数据与 直觉数据杂合，宏观概述多而语境分析少。 （3）数据与观察与结论之间，不同理论之间跳跃大，缺 失环节多，没有语料库语言学所熟悉的范式特征。

提供翻译对比和分析
语料库可以提供不同版本的翻译对比，帮助学生理解不同翻译风格 的差异，提高对翻译评价和鉴赏的能力。
基于语料库的翻译实践研究
1 2
探究翻译普遍规律
通过分析大量语料，可以总结出翻译中的普遍规 律和趋势，为翻译实践提供指导和借鉴。
发现特殊译法和技巧
基于语料库的翻译实践研究有助于发现一些特殊 的译法和技巧，丰富翻译方法和策略。
发展历程
早期阶段
20世纪90年代初，随着计算机技术的 普及，学者们开始尝试利用计算机技 术进行翻译研究。
发展阶段
成熟阶段
近年来，随着大数据和人工智能技术 的不断发展，语料库翻译学的研究更 加深入和广泛，逐渐成为翻译学领域 的重要分支。
20世纪90年代末至21世纪初，随着语 料库技术的不断完善，越来越多的学 者开始关注语料库翻译学的研究。
下的意义和用法。
社会学视角
从社会学的视角出发，基于语料 库的翻译研究可以探究社会因素 对翻译的影响，以及翻译在社会
文化交流中的作用。
心理学视角
从心理学的视角出发，基于语料 库的翻译研究可以探究译者的认 知过程和心理活动，以及译者在
翻译过程中的决策和策略。
THANKS
感谢观看
研究领域与方向
研究领域
语料库翻译学的研究领域包括翻 译语言特征、翻译过程、翻译方 法、翻译教学等方面。
研究方向
目前，语料库翻译学的研究方向 主要包括基于语料库的翻译语言 研究、机器翻译与人工翻译的对 比研究、翻译教学研究等。
02
语料库的构建与使用
Chapter
语料库的分类
01
通用语料库
收集各种领域和语境 下的语言数据，用于 语言学研究和自然语 言处理。

四 常用中介语语料库
〔一〕北语HSK动态作文语料库 〔二〕中山大学中介语语料库 〔三〕暨南大学中介语语料库
〔一〕北语HSK动态作文语料库
北语HSK作文语料库是在北京语言大学崔希亮教授的主持下开发建 成的。它以母语为非汉语的外国人参加高等汉语水平考试 ( HSK高等 ) 作文考试的答卷内容为语料,并从字、词、句、篇、标点符号等角度进展 全面标注，语料收集的时间范围是 1992 -2005年。语料总数到达11569 篇 ,共计 424万字，是目前汉语中介语语料库中规模最大的语料库。北 语HSK作文语料库是最早在网上公布偏误标注标准的中介语语料库，因 此之后的许多语料库在进展偏误分类标注时，都以它为根底，做适当的 修改。
“汉字偏误标注版〞是只有错别字标注的语料，但也可供用户进展一般的 词汇语言搜索，同时可以供大家对汉字偏误进展分析研究。 “错字数据库〞是该库一大重要特色。错字数据库中收集了语料库中的所 有错字使用情 况，可供大家查询、分析。“汉字标注版〞截止 2021 年 8 月 共有大约 310 万字，目前还在不 断增加更新改善。本语料库收集的主要 是中山大学国际汉语学院留学生日常作文和综合课的写话，语料涵盖初、 中、高级阶段，但因为初级阶段的学生本身输出就少，收集困难度高，所 以初级水平的 语料偏少，中级较多，高级最多。
其中现代汉语语料库和古代汉语语料库主要是面向汉语研究和教学使 用的大规模语料库及其在线检索系统。目前该语料库收集了大约4.77亿 字语料，现代汉语和古代汉语大体上各占一半。现代汉语语料库主要收 录1696部作品，9711字的查询。古代汉语语料库，涉及从周代到民国 时期，22580字的查询。该语料库主要特色包括： 可以查询不连续的词语，可以指定词语之间的距离〔比方“帮… 忙〞〕；可以查询汉语特有的重叠模式；支持对标点符号的查询等等。

4. Conclusions
— Corpus-based Interpreting Studies are still at a less advanced stage of development than Corpus-based (written) Translation studies.
• Early attempts
2. CIS: an overview
2.2 ‘Manual’ corpora and early machine-readable corpora
—based on relatively small samples —not available in electronic form —use different transcription conventions
—the audio/video recordings and transcripts are not directly
available to the scientific community
• Early machine-readable corpora
—Television Interpreting Corpus (TIC) created by Cencini (2000) —a parallel corpus and a comparable corpus created by Fumagalli (1999-2000)
—Variables should be concerned
• The type of interpreter-mediated event • Interpreting mode • Speakers and speeches • The target audience • Interpreters