語料庫建設(shè)（下）

語料庫建設(shè)（下）授課時(shí)間：2006年12月13日授課人：徐艷華教學(xué)目標(biāo)語料庫的應(yīng)用國內(nèi)語料庫的建設(shè)情況語料庫的建庫原則語料庫的建庫流程語料庫的基本功能一、語料庫的應(yīng)用語料庫語言學(xué)的發(fā)展使語料庫在語言教學(xué)、語言研究和語言工程各個(gè)領(lǐng)域得到了廣泛的應(yīng)用，具體說來包括以下幾個(gè)方面：語言頻率統(tǒng)計(jì)語料庫最早的應(yīng)用領(lǐng)域之一是語言頻率統(tǒng)計(jì)。語言頻率統(tǒng)計(jì)屬于基礎(chǔ)研究，如漢語中的字頻統(tǒng)計(jì)、英語中的詞匯頻率統(tǒng)計(jì)、各種詞類的出現(xiàn)頻率統(tǒng)計(jì)等等。詞典編纂詞典是使用中的語言的記錄，從詞條的選擇、義項(xiàng)的確定、詞義的解釋、例句的選用，無不反映編纂者的語言觀，辛克萊教授在20世紀(jì)70年代帶頭建立了COBUILD語料庫，采用詞語索引技術(shù)對海量語料進(jìn)行大規(guī)模調(diào)查，從此開創(chuàng)了現(xiàn)代詞典編纂的先河。詞匯搭配研究詞的搭配是語言的固有特征之一，詞的搭配往往是不能跨語言的，在一種語言中可接受的搭配，在另一種語言中不一定可接受。詞的搭配往往受到詞義、用法、文化、習(xí)慣等多種因素的影響。搭配研究本來主要靠語言學(xué)家的語感，大容量語料庫的問世為搭配研究提供了客觀的量化分析的依據(jù)，使詞匯搭配研究更科學(xué)、更全面。語言教學(xué)由于語料庫是語言事實(shí)的采樣，這就為語言教學(xué)提供了真實(shí)的語言材料。學(xué)生可以自己到語料庫中查詢詞的用法、詞的搭配、詞義的細(xì)微差別等等。這就是所謂的數(shù)據(jù)驅(qū)動(dòng)學(xué)習(xí)。數(shù)據(jù)驅(qū)動(dòng)學(xué)習(xí)不但為學(xué)生提供真實(shí)的語境，而且為學(xué)生提供了一種探索語言的手段，學(xué)生可以像語言學(xué)家研究語言一樣對語言進(jìn)行主動(dòng)的探索，這在寫作教學(xué)中可以收到很好的效果。自然語言處理語料庫語言學(xué)為自然語言處理提供了概率方法，為自然語言處理研究開辟了新的途徑，由于概率是語言運(yùn)用的固有特征，因此基于概率分析的自然語言處理系統(tǒng)對不受限制的極其復(fù)雜的真實(shí)語料的處理，成功率要高得多，而且系統(tǒng)健壯，在遇到自然語言中大量存在的不規(guī)范句或部分規(guī)范句時(shí)系統(tǒng)不會(huì)中斷。語料庫語言學(xué)方法在語音識別系統(tǒng)中早就得到了廣泛的應(yīng)用，在機(jī)器翻譯和其他自然語言處理系統(tǒng)中也愈來愈得到研究者的重視。二、國內(nèi)語料庫的建設(shè)情況北航語料庫目的是進(jìn)行現(xiàn)代漢語詞頻統(tǒng)計(jì)。歷時(shí)語料庫，將1919——1981年間分為四個(gè)時(shí)期，按時(shí)期從社會(huì)科學(xué)和自然科學(xué)中采用隨機(jī)和等距、分層相結(jié)合的采樣方法抽取語料，規(guī)模為20，236，784個(gè)漢字。1986年6月通過鑒定。

北京語言學(xué)院語料庫：目的是進(jìn)行現(xiàn)代漢語詞頻統(tǒng)計(jì)，歷時(shí)語料庫，選取“五四”以來的報(bào)刊政論、科普、生活口語和文學(xué)作品，共計(jì)179篇，規(guī)模為180萬漢字。1985年7月建成。

北師大語料庫：目的對中小學(xué)語文課本進(jìn)行詞頻統(tǒng)計(jì)研究，歷時(shí)語料

庫，選取1983年——1984年度國內(nèi)

中小學(xué)語文課本