中央文獻(xiàn)翻譯語料庫采集方法及適用性研究

天津外國語大學(xué) 朱華

一、語料庫的定義及發(fā)展

在人類語言活動(dòng)過程中，記錄了大量的語言資料。隨著國際交往的增多以及全球化的縱深發(fā)展，翻譯活動(dòng)的需求急劇增加。在翻譯學(xué)習(xí)、教學(xué)和研究過程中，諸多學(xué)者和業(yè)界人士希望總結(jié)和歸納對(duì)應(yīng)的規(guī)律，或者對(duì)特有語言現(xiàn)象、語言轉(zhuǎn)換及翻譯效果進(jìn)行大規(guī)模的評(píng)估。因此，需要大量的語言資料，尤其是雙語或多語言對(duì)應(yīng)的語言資料。在此背景下，語料庫應(yīng)用和研究逐漸發(fā)展和繁榮起來。語料庫的形式多種多樣，比如從語言對(duì)而言，既有單語、也有雙語及多語對(duì)照語料庫；從內(nèi)容而言，既有通識(shí)類也有特定專門用途的領(lǐng)域語料等。隨著計(jì)算機(jī)科技尤其是數(shù)據(jù)庫技術(shù)的不斷發(fā)展進(jìn)步，語料采集、分析和利用的方法也日新月異。之前大型研究機(jī)構(gòu)才能擁有的軟件和工具，也逐漸走進(jìn)普通研究者和學(xué)習(xí)者的日常工作中，比如隨著CAT工具的推廣和應(yīng)用，幾乎所有的翻譯學(xué)習(xí)者都可以利用這些工具和軟件建立自己的平行語料庫，用于翻譯記憶或者研究。

在上述背景下，語料庫的內(nèi)涵和定義也適時(shí)發(fā)生變化，且對(duì)于語料庫本身而言，針對(duì)用途不同，定義也有所差異。本文主要針對(duì)語言研究的語料庫，故而采用如下定義：

Corpus n.(pl.corpora) refers to a large collection of well-sampled and processed electronic texts, on which language studies, theoretical or applied, can be conducted with the aid of computer tools.(Rayson, 2008)

整體而言，語料庫是指經(jīng)優(yōu)化處理過的電子文本集合，可通過計(jì)算機(jī)輔助工具在庫中進(jìn)行語言研究或者應(yīng)用研究。

二、語料庫的類型及特點(diǎn)

語料庫劃分標(biāo)準(zhǔn)不同，擁有眾多類型。比如，根據(jù)研究目的和意義可分為異質(zhì)型(Heterogeneous)、同質(zhì)型(Homogeneous)、系統(tǒng)型(Systematic)、專用型(Specialized)等。后兩類數(shù)據(jù)庫是目前的主流類型，在語料搜集初期就會(huì)有明確的目的以及語料規(guī)模大小的控制，整體而言，此類語料庫比較平衡和系統(tǒng)，經(jīng)過嚴(yán)密的搜集原則限制以及過程控制，能夠代表某一特定范圍內(nèi)的語言事實(shí)，并且會(huì)按照既定設(shè)計(jì)思路，優(yōu)化分析過程，得到相應(yīng)的預(yù)期結(jié)果。最后一類只收集特定用途語料，但范圍更精準(zhǔn)、導(dǎo)向性更明確（廖七一，2000），適合于小規(guī)模，精細(xì)化的優(yōu)良數(shù)據(jù)分析，或者用于詞典編纂、翻譯教學(xué)、譯文效果分析等。

如前文而言，對(duì)于語言研究尤其是翻譯研究來說，我們可以根據(jù)語料庫的語種或者語言對(duì)的方向，將其分為單語、雙語和多語。與此同時(shí)，我們又可以按照語料的采集單位，也就是對(duì)其文本的規(guī)模和大小，將其分為語篇、語句和短語型等。在此基礎(chǔ)上，雙語和多語語料庫按照語料的組織形式，還可以分為平行（對(duì)齊）語料庫和比較語料庫，前者的語料構(gòu)成譯文關(guān)系，多用于機(jī)器翻譯、雙語詞典編撰等領(lǐng)域，后者將表述同樣內(nèi)容的不同語言文本收集到一起，此類語料庫多用于語言對(duì)比研究（胡開寶，2012）。

語料庫具有真實(shí)性、基礎(chǔ)性和操控性特征，要求存放的資料必須是實(shí)際使用的真實(shí)語言材料，具備基礎(chǔ)性的特征，另外也要具有加工屬性，如對(duì)齊、切割、分析和處理等操控和加工后方能成為有用資源（何中清，2011）。除此之外，當(dāng)代語料庫還具有動(dòng)態(tài)性和流通性的屬性，語料會(huì)及時(shí)增加，進(jìn)行交換甚至是銷售等活動(dòng)。

三、語料庫的采集方法

數(shù)據(jù)庫采集最常用的方法是對(duì)齊技術(shù)(Alignment)，通過使用對(duì)齊雙語或多語語料的軟件或工具，做出平行語料庫或者對(duì)照語料庫。前者指庫中的兩種或多種文本互相是對(duì)方的譯文，常用于翻譯或者機(jī)器翻譯研究。

傳統(tǒng)的語料采集采用的多是人工方式。隨著計(jì)算機(jī)技術(shù)的進(jìn)步及數(shù)據(jù)庫技術(shù)的發(fā)展，語料采集和分析工具層出不窮，給語言研究帶來了切實(shí)的便利性。對(duì)于翻譯工作者而言，語料采集應(yīng)用的軟件主要包括利用CAT工具建立雙語或多語平行文本；使用AntConc、Sketch Engine、Tmxmall、語智云帆術(shù)語寶等工具進(jìn)行語料庫整理、術(shù)語提取和分析等。對(duì)于中央文獻(xiàn)而言，我們主要的目的是用于雙語和多語詞典編纂、翻譯教學(xué)指導(dǎo)以及機(jī)器翻譯引擎訓(xùn)練等用途，所以平行語料庫，即對(duì)齊文本類型的語料庫同專用語料庫的結(jié)合更為適合。

在此處著重介紹應(yīng)用CAT工具進(jìn)行雙語文本對(duì)齊，建立雙語語料庫。在主流的CAT工具如memoQ和Trados中，有一項(xiàng)專門為語料庫設(shè)計(jì)的功能，也就是雙語對(duì)齊。雙語對(duì)齊之前，首先需要建立一個(gè)翻譯記憶庫TM，翻譯記憶庫的主要目的是存儲(chǔ)翻譯過程中的翻譯單元，可以是雙語也可以是多語言。從本質(zhì)來說，翻譯記憶庫是一種簡單形式的語料庫，可以作為后續(xù)分析使用語料庫的基礎(chǔ)。打開無論是memoQ還是Trados的雙語對(duì)齊面板，需要做的就是將原來單語文本分別導(dǎo)入，系統(tǒng)會(huì)根據(jù)算法自動(dòng)切割翻譯單元，并且會(huì)根據(jù)翻譯單元進(jìn)行自動(dòng)匹配，匹配結(jié)果的好壞會(huì)用不同顏色或者匹配率標(biāo)注出來。隨后語料庫制作者需要逐句段確認(rèn)匹配結(jié)果，如果匹配結(jié)果沒有問題，予以確認(rèn)并隨時(shí)存入到庫中，如果發(fā)現(xiàn)匹配單元不一致，可進(jìn)行相應(yīng)調(diào)整，常見的作法是切割或合并句段單元，可以進(jìn)行1:1匹配，可以進(jìn)行1:n或者n:n匹配。待所有句段匹配完畢后，確認(rèn)并導(dǎo)入翻譯記憶庫TM，后續(xù)可以根據(jù)需要，導(dǎo)出不同格式進(jìn)行分析或者應(yīng)用。

上述方法為精細(xì)匹配或者專門用途語料庫的制作。但在現(xiàn)實(shí)應(yīng)用中，會(huì)發(fā)現(xiàn)很多已有翻譯資產(chǎn)零散存放，或者并不能完全匹配，或者匹配時(shí)需要的人工成本較高，這時(shí)我們可以使用單語語料庫或者混雜類型語料庫，比如可以應(yīng)用memoQ中的LiveDocs功能，此時(shí)，我們可以將單語、雙語或者混合型資料導(dǎo)入庫中，存成語料庫格式，在翻譯或者研究過程中應(yīng)用。隨著翻譯自動(dòng)化程度的不斷提升，我們不僅可以在翻譯過程中應(yīng)用語料庫，在翻譯教學(xué)中演示語料庫，也可以根據(jù)需求，比如同機(jī)器翻譯結(jié)合，進(jìn)行自有機(jī)器引擎的自適應(yīng)訓(xùn)練。根據(jù)已有語料庫類型進(jìn)行風(fēng)格化處理，影響機(jī)器翻譯的結(jié)果，從而有效地優(yōu)化和提升翻譯效率和翻譯質(zhì)量。

對(duì)于零散語料而言，我們還可以在語料庫制作前進(jìn)行術(shù)語提取。術(shù)語庫TB在語料庫建立過程中同樣至關(guān)重要，對(duì)于術(shù)語而言，在譯前、譯中和譯后三個(gè)階段都可開展。比如在譯前，可以根據(jù)算法計(jì)算出特定詞語出現(xiàn)的頻率，在排除掉停用詞之后，對(duì)該詞組賦值，根據(jù)賦值大小可以推導(dǎo)出其作為術(shù)語的置信度，大大減輕人工成本，且有效提高準(zhǔn)確度。在譯中和譯后過程中同樣如此，可將雙語文本分別導(dǎo)入術(shù)語提取工具，根據(jù)頻率等進(jìn)行賦值后優(yōu)化匹配，后只需譯者或者研究者人工確定即可。在此過程中，置信度、賦值、頻率均可作為有效的研究目標(biāo)和數(shù)據(jù)進(jìn)行采集或者標(biāo)注。

總而言之，科技的進(jìn)步和數(shù)據(jù)采集方式的優(yōu)化，讓大規(guī)模精細(xì)化建立語料庫成為可能。此外，語料庫結(jié)果的多元和動(dòng)態(tài)展示，也讓結(jié)果更直觀和鮮明地呈現(xiàn)出來，使整個(gè)研究過程的意義得到凸顯。

四、中央文獻(xiàn)語料庫采集應(yīng)用及適用性研究

語料庫建立之后，可以用不同的工具進(jìn)行分析，如單機(jī)版本的AntConc或者在線的Sketch Engine等工具，可進(jìn)行索引、定位、“N元模式”（N-Gram）、搭配（Collocates）、詞 單（Word List）、關(guān)鍵詞單（Keyword List）等操作，全方位、多角度調(diào)用語料庫進(jìn)行相關(guān)分析和研究。

對(duì)于中央文獻(xiàn)翻譯適用性而言，這些重要的文獻(xiàn)對(duì)黨在國際上形象的塑造和話語權(quán)的建立具有至關(guān)重要的意義。中央文獻(xiàn)翻譯工作者的初心和使命是闡釋好中國理論，傳遞好中國觀念。通過中央文獻(xiàn)語料庫的采集和建立，可以進(jìn)一步剖析譯者如何理解和踐行作為黨的聲音的傳播者、闡釋者和勸說者的身份和立場(chǎng)（王麗麗，2018），并且可以通過大規(guī)模文本分析以及譯文效果分析，對(duì)增強(qiáng)政治意識(shí)、時(shí)代意識(shí)、歷史意識(shí)和效果意識(shí)具有重要的意義，此外，根據(jù)政治文獻(xiàn)的特點(diǎn)采取相應(yīng)的翻譯策略對(duì)學(xué)生培養(yǎng)也有至關(guān)重要的意義。