歷時追蹤性英語學習者語料庫的建設研究

柴 能

(安順學院外國語學院，貴州 安順561000)

一、英語學習者語料庫的建設現(xiàn)狀

語料庫(corpus)是指以電子文本形式收集和存儲的語言材料，可以通過計算機進行標注、檢索和分析，為研究語言使用規(guī)律提供重要的語料基礎?，F(xiàn)代信息技術的發(fā)展極大地促進了語料庫的研究，出現(xiàn)了各種專門用途的語料庫。英語學習者語料庫收集英語學習者的語言輸出材料，是研究英語中介語(interlanguage)[1]特點的重要數(shù)據(jù)。通過定量分析大量的英語中介語語料，可以對英語學習機制有更深刻的理解。

英語學習者語料庫在過去30年里迅速發(fā)展，目前國外已建成的主要的英語學習者語料庫有：1.國際學習者英語語料庫(International Corpus of Learner English，ICLE)[2],由比利時Louvain大學Granger于1990年建立，現(xiàn)已更新到第3版,容量2,000,000詞，語料來自世界各地大學英語學習者的書面材料，是影響力最大的英語學習者語料庫；2.USE語料庫，由瑞典Uppsala大學于1999年建成，容量1,000,000詞，語料來源于瑞典高校的英語學習者的書面材料；3.劍橋學習者語料庫(Cambridge Learner Corpus，CLC)，容量20,000,000詞，語料來自不同母語的學習者參加劍橋大學英語考試的作文；4.朗文學習者語料庫(Longman Learner Corpus, LLC)，容量20,000,000詞，語料來自世界各地不同母語背景和水平的英語學習者的作文。

國內英語學習者語料庫的建設幾乎同時開始，目前已建成的主要的學習者語料庫包括：1.中國學習者英語語料庫(Chinese Learner English Corpus, CLEC)[3]，1999年建成，容量1,000,000萬詞，語料來源于英語四、六級考試的作文以及部分中學生的英語測試作文；2.中國大學生英語口語語料庫(College English Learners' Spoken English Corpus, COLSEC)[4]，容量720,000萬詞,語料來源于2000-2004年全國大學英語考試的錄音；3.中國學生英語口筆語語料庫1.0[5]& 2.0[6](Spoken and Written English Corpus of Chinese Learners, SWECCL)，容量二百多萬詞，語料來源于1996-2007年大學英語考試的口試錄音和作文；4.中國學生萬篇英語作文語料庫(Ten-thousand English Compositions of Chinese Learners，TECCL)[7]，2015年建成，語料涵蓋了大學、中學、小學三個階段，寫作類型包括課內限時寫作、課后作業(yè)、期中和期末考試寫作、課堂講稿、小組合作寫作等多種類型；5.iWritebaby Chinese Learner English 語料庫[8]，2019年建成,語料取自iWrite英語在線寫作系統(tǒng)的英語作文，容量八百多萬詞。

二、建設歷時追蹤性學習者語料庫的必要性

隨著現(xiàn)代信息技術的飛速發(fā)展，國內外英語學習者語料庫的規(guī)模不斷擴大，但各類專業(yè)語料庫的建設仍需進一步探索。以上所述的英語學習者語料庫都是對不同學習者語料的一次性采集(大部分是基于英語考試的命題作文)，缺乏對同一學習者的持續(xù)追蹤，因而無法體現(xiàn)出英語學習者的語言發(fā)展特點。

何安平認為，因為信息技術的發(fā)展，建設大容量的語料庫已不再困難，我們更應該關注怎么建立特色語料庫[9]。Granger指出,在學習者語料庫的發(fā)展方向上，我們未來應該更關注歷時語料庫方面的研究[10]。王立非也認為，為了描述中介語的發(fā)展過程，有必要建立歷時性學習者語料庫[11]。然而，由于難以追蹤和收集大量學習者語料，國內外對歷時追蹤性學習者語料庫的建設極少，目前僅有個別的發(fā)展性語料庫。例如，Housen開發(fā)的“青少年學習者中介語語料庫”收集了部分歐洲國家小學生不同階段的英語語料[12]；李文忠構建了“學習者電子檔案語料庫”，關注學習者不同階段的歷時語料[13]。此外魯東大學建立的國別化漢語中介語動態(tài)語料庫[14]，收錄了韓國留學生歷年在校期間的作業(yè)和考試語料。但是這些語料庫由于建庫限制，還不能達到對同一學習者語言發(fā)展進行持續(xù)追蹤的目的。

筆者認為，無論是從語料庫語言學的研究角度，還是從實際語言教學需要出發(fā)，都有必要建立歷時追蹤性英語學習者語料庫，豐富學習者語料庫的類型，為研究英語學習者中介語的發(fā)展規(guī)律提供語料平臺。

三、歷時追蹤性語料的收集

1.語料規(guī)模

歷時追蹤性英語學習者語料庫是專門用途語料庫，筆者通過對100名大一學生持續(xù)收集英語作文，追蹤學生的英語發(fā)展過程。每周收集學生的英語作文1篇，長度為200詞左右，涵蓋說明文、記敘文、議論文、小說等體裁。語料收集可以持續(xù)2～3年，收集過程越長，對研究中介語的發(fā)展規(guī)律越有價值。建成后，收集到每名學生的語料達20,000詞，整個語料庫累計詞匯達2,000,000，基本形成一定規(guī)模，成為國內領先的英語學習者語料庫，為研究英語中介語發(fā)展規(guī)律提供語料平臺。

2.語料采集原則

語料的采集有兩種方法：學生在紙上寫作，然后再輸入電腦存儲為電子文本；或者直接讓學生在線寫作提交電子文檔。為了避免簡單的重復勞動，提高效率，我們將采用在線寫作的方式。根據(jù)我們的建庫目的，本語料庫收集的語料必須要滿足有效性、追蹤性、均衡性三個要求。

追蹤性：每周收集一次學生的英語作文，持續(xù)時間2-3年，達到對英語學習者中介語發(fā)展進行追蹤的要求，是本語料庫的特色，也是建設的難點。對比其他學習者語料庫，研究者收集歷時追蹤性語料比較困難。如何持續(xù)穩(wěn)定地從同一英語學習者收集語料，還沒有統(tǒng)一的標準模式，處于小范圍探索階段。然而追蹤語料庫的重要作用不可替代，積極探索歷時追蹤語料庫的建設可以為研究中介語的發(fā)展變化提供重要的數(shù)據(jù)平臺。本研究需要每周收集一次學生的英語作文(200詞)，由于多數(shù)學生缺乏英語寫作實踐，培養(yǎng)學生良好的持續(xù)寫作習慣是關鍵之處。

均衡性：收集的語料涵蓋記敘文、說明文、議論文等各個體裁，話題盡可能廣泛，每種體裁的語料數(shù)量基本均衡，以全面反映學生的英語能力。國內常見的主要的學習者語料庫(CLEC、SWECCL等)都是基于各類英語考試的限時命題作文，題材固定、單一，學生語言趨于保守，并出現(xiàn)大量套用公式化句式的現(xiàn)象，是學生應試教育的產物，用來分析學生實際的英語能力有所欠缺。本研究擬建的英語學習者語料庫，語料源于學習者每周自由時間的寫作練習，是學生自然語境下的語言輸出，改進了學習者語料庫的語料采集方式，更能體現(xiàn)學習者的實際英語能力。

有效性：電子文檔語料的收集，要對所有收集到的語料進行鑒別，剔出抄襲、機器翻譯等無效語料，確保語料來源地真實有效。由于本語料庫收集自然語境下的學生語言輸出材料，我們主要以寫作任務的形式讓學生在課外時間完成，這樣可以避免考試作文的弊端，但是也帶來新的問題：怎么避免學生抄襲與機器翻譯。過往的教學經驗可知，學生可能會為快速完成寫作任務，從網絡上抄襲英語作文，或者使用機器翻譯，這都會導致語料的無效性。為此我們必須鑒別分析收到的每一篇英語作文，確保語料的有效性。每周對100篇語料進行整理分析，對我們來說也是一個挑戰(zhàn)。

3.收集過程

整個語料采集過程持續(xù)2～3年，每周提取100名大學生的英語作文、日記等素材。為了確保語料收集順利，采集前的準備工作與先導研究階段必不可少。

準備工作：提前確定好學生要寫作的題目，可以是寬泛的話題，也可以是具體的題目。每周向學生說明英語寫作任務，采用在線寫作形式。鼓勵學生大膽進行寫作練習，不允許抄襲與機器翻譯。

試收集階段：先進行一個月的先導研究，試收集學生的作文語料，檢驗方案的可行性，根據(jù)學生的完成情況對寫作題目、要求、長度等進行調整，貼合學生的英語水平與興趣，消除學生潛在的抵觸情緒，有效地完成寫作任務。

正式收集階段：進行正式的語料采集工作，培養(yǎng)學生形成良好的寫作習慣，對表現(xiàn)優(yōu)秀的學生給與一定獎勵，建立起你追我趕的競爭機制，使學生樂于寫作，在寫作中進步，完成語料收集任務。

下圖為本語料庫的建設流程，其中語料的收集與標注是重點，每周一次，持續(xù)兩年至三年的時間，收集200萬詞的學習者語料。

圖1 語料庫建設流程圖

四、歷時追蹤性語料的標注

語料采集完成后還只是生語料庫，需要對學生信息、采集時間、文本題材等信息進行標注，以及對語料進行賦碼處理，對語言錯誤進行標注，方便計算機對其進行檢索使用。標注與收集同步進行，每周一次。

本語料庫的標注方法借鑒SWECCL等國內學習者語料庫的標注方法,但是我們仍需要探索針對追蹤性語料的特殊標記。雖然目前已建成的學習者語料庫確定了一套事實上的標注規(guī)范，研發(fā)了相應的語料標注軟件與檢索軟件，本語料庫可以參照使用。但由于追蹤性語料庫建設極少，如何對同一學習者不同階段的動態(tài)語言材料進行標注和分析，還沒有可靠的先例，需要研究者在具體標注中實際探索，以實現(xiàn)語料庫的追蹤性功能，從大數(shù)據(jù)層面展現(xiàn)學習者在不同階段的中介語發(fā)展特點。

本研究擬采用XML格式對語料庫的頭文件信息及詞性等進行標注。

頭文件信息包括學生代碼()、語料收集學期()、星期()、限時/非限時(/)、體裁(///)、題材()等。頭文件信息都是語料庫的變量因素，體現(xiàn)出了不同因素對于學習者英語使用的影響。研究者可以利用不同的變量生成子語料庫，即進行相互對比研究。其中最重要的變量是時間，通過時間維度，研究者可以對英語中介語的歷時發(fā)展變化規(guī)律進行相關研究。

詞性賦碼標注一般采用CLAWS、AGTS等工具進行。這些標注工具是針對英語為母語開發(fā)的，用于中介語標注時，會有部分賦碼錯誤的情況，有必要再進行人工校對完善。后期隨著研究需要，我們還可以對中介語的語言錯誤進行標記編碼，提高語料庫的應用價值。

用CLAWS賦碼標注后展現(xiàn)的結果：

The_AT0 university_NN1 began_VVD to_TO0 recruit_VVI international_AJ0

students_NN2 in_PRP 1986_CRD and_CJC had_VHD trained_VVN more_DT0 than_CJS

20,000_CRD international_AJ0 students_NN2 from_PRP more_DT0 than_CJS 80_CRD

countries_NN2 by_PRP 2019_CRD,_PUN says_VVZ Huang_NP0 Xiaojuan_NP0 ,_PUN

the_AT0 university_NN1 's_POS vice-president_SENT ._PUN

每個單詞之后的下劃線標注字符，表示了該單詞的詞性特征。用檢索軟件可以利用這些標注字符，對特定用法或句式結構進行檢索。

五、歷時追蹤性語料庫的應用

語料庫建成后，即可用Wordsmith與AntConc等軟件對語料數(shù)據(jù)進行統(tǒng)計分析，就英語學習者在語言準確性、詞匯變化、句式復雜度等方面，結合時間維度進行定量分析，為探索英語學習者的中介語發(fā)展規(guī)律提供大量真實的語料數(shù)據(jù)。

由于收集歷時語料費力費時，要對英語學習者進行跨時間觀察追蹤幾乎沒有現(xiàn)成的語料平臺。通過大量的歷時性中介語語料可以深刻認識英語學習者的英語發(fā)展路徑，研究英語學習者的中介語在詞匯運用、語法錯誤、句法特點等方面的語言發(fā)展特點，對中介語發(fā)展規(guī)律進行驗證。這方面的作用是共時語料庫不可替代的。雖然很多學習者語料庫也可以按照學習者的英語水平不同，對比研究不同水平學習者的中介語特點，推導中介語的發(fā)展規(guī)律。但是這種對比沒有基于同一批學習者，難以推導出可信的結論。歷時語料庫的優(yōu)勢就在于可以跨時間緯度對語言的發(fā)展變化進行追蹤，體現(xiàn)出語言的演變特征。對同一批學習者中介語發(fā)展變化進行追蹤分析，可以對中介語的發(fā)展變化規(guī)律得到更加清晰的認識。

結 語

雖然國內有眾多規(guī)模龐大、上千萬詞的英語學習者語料庫，但因為其缺乏追蹤性，無法對英語學習者的語言發(fā)展路徑進行深入探討。歷時跟蹤性英語學習者語料庫，持續(xù)跟蹤收集同一批英語學習者的語料, 突出語料的自然性特點，為研究英語中介語發(fā)展規(guī)律提供重要語料平臺。這對以后的歷時追蹤性語料庫建設，為后期更大規(guī)模更廣范圍的歷時追蹤性語料庫開發(fā)提供方法參考。