CivDEAP土木工程學(xué)術(shù)英語語料庫的創(chuàng)建

重慶交通大學(xué) 章柏成 楊 玲

提要：CivDEAP土木工程學(xué)術(shù)英語語料庫是DEAP學(xué)術(shù)英語語料庫的子庫之一。本文從建庫目標、建庫方案、文本采集、文本命名、文本清理、文本標注6個方面介紹該語料庫的創(chuàng)建過程，進而就CivDEAP在學(xué)術(shù)研究和課程教學(xué)中的應(yīng)用進行初步探討和前景展望，最后對該語料庫的后續(xù)擴容建設(shè)提出初步建議。

1.引言

語料庫是語言使用的實例匯集，根據(jù)建庫目的并按照相應(yīng)標準抽樣采集語料樣本，具有一定的代表性。20世紀50年代，美國結(jié)構(gòu)主義語言學(xué)家普遍通過收集語言實例開展語言學(xué)研究，“基于真實語料開展研究”的觀念應(yīng)運而生并迅速盛行起來。結(jié)構(gòu)主義語言學(xué)家們重視真實語料，致力于將其置于語言學(xué)研究的核心，是語料庫語言學(xué)的先驅(qū)（Leech 1992）；20世紀50年代后期，用計算機處理真實語料并生成索引得以實現(xiàn)（Parrish 1962）；20世紀70年代，語料處理與分析技術(shù)不斷進步，“語境中的關(guān)鍵詞”（KWIC）模式代替了原來的“目錄索引卡”，成為自動化主題分析的手段；20世紀80—90年代，語料庫技術(shù)高速發(fā)展，成為語言學(xué)家從事研究的得力工具（McCarthy & O’Keeffe 2010）。

按建庫目的、語料特點等進行劃分，語料庫有不同類型，如通用語料庫、專用語料庫、共時語料庫、歷時語料庫、口語語料庫、筆語語料庫、本族語者語料庫、學(xué)習(xí)者語料庫、單語語料庫、平行語料庫/雙語和多語語料庫等（梁茂成、李文中、許家金 2010）。相對于大型通用語料庫而言，專用語料庫服務(wù)于特定研究目的，通常收集特定領(lǐng)域的語料樣本。學(xué)術(shù)英語語料庫是專用語料庫的一個子類，在學(xué)術(shù)英語特征及其應(yīng)用研究方面發(fā)揮了重要作用。國際上已建成并產(chǎn)生重要影響的學(xué)術(shù)英語語料庫主要有密歇根學(xué)術(shù)口語語料庫（MICASE）、英國學(xué)術(shù)口語語料庫（BASE）、密歇根大學(xué)高水平學(xué)生論文語料庫（MICUSP）、英國學(xué)術(shù)書面英語語料庫（BAWE）、魯汶英語本族語學(xué)生作文語料庫（LOCNESS），以及國際英語學(xué)習(xí)者語料庫（ICLE）等。在我國，代表性學(xué)術(shù)英語語料庫主要包括20世紀80年代建成的上海交通大學(xué)科技英語語料庫（JDEST），以及本世紀初建成的中國學(xué)習(xí)者英語語料庫（CLEC）、英語專業(yè)學(xué)習(xí)者語料庫（SWECCL）、中國學(xué)習(xí)者英語口語語料庫（COLSEC）等。中國外語教育基金DEAP專用英語語料庫建設(shè)項目于2016年啟動，將分若干批次投放，旨在建成總?cè)萘?億詞次以上，涉及人文社會科學(xué)及自然科學(xué)主要學(xué)科領(lǐng)域的學(xué)術(shù)英語語料庫。

國內(nèi)工程領(lǐng)域的學(xué)術(shù)英語語料庫建設(shè)也初顯成效。中國知網(wǎng)（CNKI）檢索結(jié)果表明，該類語料庫建設(shè)與研究主要涉及機械工程英語語料庫（張亞峰 2019）、農(nóng)業(yè)工程英語語料庫（樊緒巖 2019；祁雨思 2019）、建筑工程英語語料庫（劉佳2016；張弛 2016）、交通運輸工程碩士論文英文摘要語料庫（齊琳琳 2017）、飛行器制造工程英語語料庫（王曉英 2015）等。在土木工程學(xué)術(shù)英語語料庫建設(shè)與應(yīng)用方面，劉國聰和高軍（2016）從中國知網(wǎng)和美國土木工程師學(xué)會數(shù)據(jù)庫各抽取120篇土木工程學(xué)術(shù)論文摘要，考察其語言特征；佟星和邱鵬程（2016）簡介了小型土木工程英語語料庫的創(chuàng)建及教學(xué)運用效果評估，但對該語料庫的指標數(shù)據(jù)沒有具體說明，也未見基于該庫的后續(xù)研究發(fā)表。有鑒于此，我們認為土木工程學(xué)術(shù)英語語料庫的建設(shè)十分必要。

2.建庫目標

根據(jù)中國外語教育基金專用英語語料庫建設(shè)項目——DEAP學(xué)術(shù)英語語料庫總庫的設(shè)計方案和基本要求，CivDEAP旨在覆蓋“土木工程”一級學(xué)科下的6個二級學(xué)科，選取24種高質(zhì)量英文學(xué)術(shù)期刊發(fā)表的研究論文、綜述論文和社論文章，建成庫容為500萬詞次且均衡性、代表性和時效性強的“土木工程學(xué)術(shù)英語語料庫”，服務(wù)于學(xué)術(shù)話語研究和課程教學(xué)實踐。

3.建庫方案

3.1 學(xué)科領(lǐng)域

國務(wù)院學(xué)位委員會、教育部印發(fā)的《學(xué)位授予和人才培養(yǎng)學(xué)科目錄（2011年）》中，在“工學(xué)”門類（代碼08）下，“土木工程”（代碼0814）一級學(xué)科設(shè)立了6個二級學(xué)科，分別是巖土工程（代碼081401）、結(jié)構(gòu)工程（代碼081402）、市政工程（代碼081403）、供熱、供燃氣、通風(fēng)及空調(diào)工程（代碼081404）、防災(zāi)減災(zāi)工程及防護工程（代碼081405）、橋梁與遂道工程（代碼081406）。

土木工程學(xué)術(shù)英語語料庫CivDEAP的語料文本覆蓋上述6個二級學(xué)科，均衡性好、代表性強。

3.2 來源期刊

通過文獻檢索，我們首先列出了“土木工程”一級學(xué)科下每個二級學(xué)科10種（共60種）備選高質(zhì)量國際學(xué)術(shù)期刊。然后，通過咨詢土木工程領(lǐng)域的相關(guān)專家、學(xué)者，初步選定了每個二級學(xué)科5種（共30種）期刊。最后，參考相關(guān)期刊的影響因子和分區(qū)信息，確定了每個二級學(xué)科4種（共24種）期刊作為CivDEAP語料收集的來源期刊（見表1）。

表1 CivDEAP的語料來源期刊

（待續(xù)）

（續(xù)表）

3.3 文獻類型

根據(jù)來源期刊特征，CivDEAP選取了24種學(xué)術(shù)期刊共有的3種文獻類型：研究論文、綜述論文和社論文章。參考上述期刊的發(fā)文情況，語料收集時大致平衡每個二級學(xué)科3類文獻的文本數(shù)量，研究論文占90%左右，綜述論文約占6%，社論約占4%。

3.4 出版時間

為保證語料的時效性，CivDEAP原則上選取2018年出版的文獻，但由于部分期刊在2018年刊發(fā)的綜述論文和社論文章數(shù)量較少，為了使各二級學(xué)科3類文獻的文本數(shù)大致均衡，我們補充收集了2019年（6篇）、2017年（1篇）和2015年（2篇）發(fā)表的綜述和社論。

4.文本采集

首先，在Web of Science數(shù)據(jù)庫里檢索選定的期刊名稱，得到該期刊的全部文獻列表。其次，將“出版年”設(shè)定為2018，并依次選擇“Article”“Review”和“Editorial material”，篩選出相關(guān)類型的文獻。最后，按“被引頻次”排序，從高到低選取一定數(shù)量的文本，研究論文35篇、綜述論文3篇、社論2篇，若文本數(shù)量不夠，則將“出版年”依次擴展到其他年份（2019年、2017年、2016年、2015年），直到文獻數(shù)量達到設(shè)定要求。

具體采集文本時，考慮到土木工程學(xué)科的學(xué)術(shù)論文中大量圖表和公式給文本清理帶來巨大工作量，我們沒有采用下載PDF文檔后進行轉(zhuǎn)換的方法，而是先準備好Word文檔，然后從“Full Text from Publisher”獲得網(wǎng)頁格式的全文，并按文獻的內(nèi)部結(jié)構(gòu)順序，依次將文獻的標題、作者、摘要、關(guān)鍵詞、正文、致謝等復(fù)制并粘貼到準備好的Word文檔里（按照建庫方案，收集文本時刪除了參考文獻和附錄等部分）。

第一階段，我們共收集960個文本（每個二級學(xué)科160個，每種期刊40個），容量為620多萬詞次；第二階段，按照“DEAP學(xué)術(shù)英語語料庫每個子庫容量500萬詞左右”的設(shè)計要求，我們嘗試刪除部分文本并統(tǒng)計語料規(guī)模，最終保留780個文本（每個二級學(xué)科130個，每種期刊30—35個），其中，研究論文文本712個，綜述論文42個，社論文章26個。未標注的CivDEAP容量為5,040,349詞次1，添加文本頭部信息和結(jié)構(gòu)信息后為庫容5,088,754詞，具體信息見表2。

表2 CivDEAP學(xué)術(shù)英語語料庫概況

5.文本命名

CivDEAP土木工程學(xué)術(shù)英語語料庫采用“一級學(xué)科代碼+二級學(xué)科代碼+文獻類型代碼+文本編號”的方式對780個文本進行命名。一級學(xué)科“土木工程”（Civil Engineering）代碼為首字母C，6個二級學(xué)科代碼分別用學(xué)科名稱前兩個實詞的首字母表示（詳見表3）；3種文獻類型中，研究論文用RA表示，綜述論文為RV，社論文章是ED；文本編號用三位數(shù)字表示，從001到780，先排列研究論文（001-712），其次是綜述論文（713-754），最后是社論文章（755-780）。例如，CBTRA001表示該文本為“土木工程”一級學(xué)科下“橋梁與隧道工程”二級學(xué)科的研究論文，是CivDEAP語料庫的第一個文本，而CSEED780則是“結(jié)構(gòu)工程”二級學(xué)科的社論文章，是CivDEAP的第780個文本。

期刊信息沒有包含在CivDEAP的文本名中，而是在每個文本的頭部信息中，如表示該文本對應(yīng)的文獻發(fā)表在期刊Journal of Bridge Engineering（《橋梁工程雜志》）上。

表3 土木工程各二級學(xué)科名稱、代碼及文本編號

（待續(xù)）

（續(xù)表）

6.文本清理

文本清理分為兩個階段，分別對Word文檔和TXT文本進行清理。清理Word文檔時，我們首先采用查找和替換的方法，批量刪除換行符、多余空格以及大量的圖（保留圖標題）；然后用Word的宏命令剔除所有表格及其內(nèi)容（保留表標題）2；最后將Word文檔轉(zhuǎn)換為TXT純文本，保存為UTF-8編碼格式。

對TXT純文本進行清理時，我們采用了文本整理器（TextEditor）V3.0，設(shè)置批量整理方案，進一步處理段落首尾空格、段落間空行、標點符號全角轉(zhuǎn)半角、字母全角轉(zhuǎn)半角、修正局部亂碼等問題，然后采用“界限查找”和“替換”，批量刪除原圖標題下端所附的下載鏈接。

經(jīng)過上述兩個階段的工作，我們完成了對CivDEAP語料庫780個文本的清理，為文本標注作好了準備。

7.文本標注

CivDEAP學(xué)術(shù)英語語料庫采用可擴展標記語言（extensible markup language,以下簡稱XML）進行文本標注。XML標注將相關(guān)內(nèi)容放在成對出現(xiàn)的起始標簽（標示一個特定區(qū)域的開始）和結(jié)束標簽（標示一個特定區(qū)域的結(jié)束）之間，起始標簽和結(jié)束標簽名稱分別置于一個小于號（<）和大于號（>）之內(nèi)，結(jié)束標簽則在名稱前加上斜杠（/），如為該部分的結(jié)束標簽。

本語料庫的文本標注包括文本頭部信息和文獻結(jié)構(gòu)信息兩個部分。

7.1 頭部信息

實際上，文本頭部信息的標注在首次采集文本時就開始了。我們采用XML格式，在每個空白Word文檔開頭預(yù)置了具體的頭部信息，以標簽結(jié)束（詳見表4）。在采集每一個文本時，將相關(guān)元信息復(fù)制并粘貼在相應(yīng)位置，如2018，等。

表4 CivDEAP語料庫文本頭部信息標注對照表

部分來源期刊出版的文獻只有“卷”（Volume），沒有“期”（Issue），還有部分期刊文獻只有文獻編號，沒有頁碼。對于缺失的期號和頁碼信息，我們均標記為“unknown”。CivDEAP語料庫中，525個文本對應(yīng)的文獻只有卷號，沒有期號；189個文本沒有頁碼信息；所有文本都有數(shù)字對象識別碼（DOI）等其他元信息。

7.2 結(jié)構(gòu)信息

文獻結(jié)構(gòu)信息也采用XML格式，在TXT純文本上進行標注。我們運用PowerGREP，在正則表達式檢索模式下，采用查找和替換的方法，批量添加相關(guān)文獻結(jié)構(gòu)信息3，然后進行人工檢查，更正標注錯誤。

由于CivDEAP語料庫的文本涉及3種文獻類型，不同期刊的文獻體例或多或少存在差異，即便是同一種期刊出版的同類文獻，結(jié)構(gòu)也不盡相同，因此，我們僅對大多數(shù)文獻共有的結(jié)構(gòu)信息進行標注（見表5）。根據(jù)文獻在期刊發(fā)表的自然狀態(tài)，我們標注的文獻結(jié)構(gòu)信息包括標題、作者、摘要、關(guān)鍵詞、引言、方法、結(jié)果與討論、結(jié)論、致謝等內(nèi)容。限于時間和精力，對于部分文獻中不屬于上述結(jié)構(gòu)部分的內(nèi)容，或一個部分包含幾個結(jié)構(gòu)類型的內(nèi)容，則沒有進行細致區(qū)分和標注。

表5 CivDEAP語料庫文獻結(jié)構(gòu)信息標注對照表

8.應(yīng)用展望

CivDEAP土木工程學(xué)術(shù)英語語料庫的應(yīng)用主要體現(xiàn)在學(xué)術(shù)研究和課程教學(xué)兩個方面。

學(xué)術(shù)研究方面，可利用該語料庫進行土木工程領(lǐng)域的學(xué)術(shù)話語特征研究，在詞匯、短語、句法、修辭、篇章等層面，考察土木工程學(xué)科學(xué)術(shù)話語特征。也可以在二級學(xué)科層面進行相關(guān)學(xué)術(shù)話語特征的比較研究，或在文獻類型層面進行學(xué)術(shù)話語特征比較研究。還可以在DEAP學(xué)術(shù)英語語料庫的各子庫間進行相關(guān)學(xué)科的學(xué)術(shù)話語比較研究。

課程教學(xué)方面，CivDEAP學(xué)術(shù)英語語料庫可在“專門用途英語”“學(xué)術(shù)論文寫作”“話語分析”之類的本科生或研究生課程教學(xué)中使用，一方面可提供大量真實、規(guī)范的學(xué)術(shù)語言使用實例，使學(xué)生獲得土木工程學(xué)科學(xué)術(shù)話語特征的感性認識；另一方面，也可為本科生或研究生的學(xué)術(shù)寫作訓(xùn)練與國際發(fā)表實踐提供高質(zhì)量的范例。

9.結(jié)語

本文從建庫目標、建庫方案、文本采集、文本命名、文本清理、文本標注等方面回顧了CivDEAP土木工程學(xué)術(shù)英語語料庫的建設(shè)情況。作為DEAP學(xué)術(shù)英語語料庫的子庫之一，CivDEAP必將和其他子庫一起，在進一步促進專用學(xué)術(shù)語料庫建設(shè)、推動相關(guān)理論與應(yīng)用研究方面發(fā)揮重要作用。然而，語料庫建設(shè)與應(yīng)用研究并非一蹴而就，為了更加充分地發(fā)揮CivDEAP學(xué)術(shù)語料庫的作用，可以考慮后續(xù)擴容建設(shè)問題，具體而言，可以從以下思路開展后續(xù)建設(shè)工作。

第一，從歷時的思路進行后續(xù)擴容建設(shè)?？梢园凑宅F(xiàn)有語料收集方案，一方面回溯24種期刊2018年以前的文獻，采集上述期刊在相關(guān)年份發(fā)表的3類文獻，時間間隔為5年，即2013年、2008年、2003年、1998年、1993年等，依此類推，一直追溯到各期刊創(chuàng)刊初期的年份；另一方面，2018年以后的文獻，同樣每隔5年采集1次，即2023年、2028年等。如此，可建成時間跨度數(shù)十年的“土木工程學(xué)術(shù)英語歷時語料庫（CivDDEAP）”，便于在共時描寫的基礎(chǔ)上，開展歷時研究，考察相關(guān)學(xué)術(shù)話語特征的歷時變化。

第二，從語種的思路進行后續(xù)擴容建設(shè)。可根據(jù)現(xiàn)有語料收集方案，選取國內(nèi)用中文出版的土木工程6個二級學(xué)科的相關(guān)學(xué)術(shù)期刊，采集3種文獻類型的文本，建成土木工程英漢雙語學(xué)術(shù)語料庫（CivBDAP），可用于對比研究，考察相關(guān)學(xué)術(shù)話語特征在國內(nèi)外學(xué)術(shù)期刊的異同。

第三，從平行的思路進行后續(xù)擴容建設(shè)。在上述第二個思路所選定并收集的土木工程中文學(xué)術(shù)文獻中，采集每個文獻的標題和摘要部分的英譯，建成土木工程學(xué)術(shù)文獻標題摘要英漢平行語料庫（CivPDAP），便于考察學(xué)術(shù)文獻標題和摘要的翻譯策略、特征，同時也可以在翻譯和學(xué)術(shù)寫作類課程教學(xué)中使用。

注 釋

1.CivDEAP語料庫容量（詞數(shù)）的具體數(shù)據(jù)均使用正則表達式[a-zA-Z0-9-]+在PowerGREP中獲得。

2.感謝吉林師范大學(xué)李亮老師提供技術(shù)支持，編寫宏命令，批量刪除表格。

3.感謝中國科學(xué)院大學(xué)彭工教授、北京外國語大學(xué)許家金教授和吉林師范大學(xué)李亮博士提供PowerGREP使用及正則表達式編寫等方面的支持和幫助。