语料库语言学与计算语言学研究丛书

转载 冯志伟

 
“语料库语言学与计算语言学研究丛书” 旨在向国内读者推荐语料库语言学
与计算语言学这两个学科最新和最经典的外文著作。 语料库语言学的语料要建立
在计算机上，而计算语言学则专门研究自然语言的计算机处理，这两个学科都要
使用计算机，都与计算机有着不解之缘。这篇序言主要介绍这两个学科的学术背
景，并且讨论这两个学科之间的关系，以方便读者的阅读和理解。
1.  语料库语言学研究简介
语料库是为一个或多个应用目标而专门收集的、 有一定结构的、 有代表性的、
可被计算机程序检索的、具有一定规模的语料的集合。
  语料库应该按照一定的语言学原则，运用随机抽样方法，收集自然出现的连
续的语言运用文本或话语片段来建立。从其本质上讲，语料库实际上是通过对自
然语言运用的随机抽样， 以一定大小的语言样本来代表某一研究中所确定的语言
运用总体。
  语料库一般可分为如下类型：
●按语料选取的时间划分，可分为历时语料库（diachronic corpus）和共时语料
库（synchronic corpus） 。
●按语料的加工深度划分，可分为标注语料库（annotated corpus）和非标注语料
库（non-annotated corpus） 。
●按语料库的结构划分，可分为平衡结构语料库（balance  structure corpus）和自
然随机结构的语料库（random structure corpus） 。
●按语料库的用途划分，可分为通用语料库（general corpus）和专用语料库
（specialized corpus） 。专用语料库又可以进一步根据使用的目的来划分，例如，
又可以进一步分为语言学习者语料库（learner corpus） 、语言教学语料库
（pedagogical corpus） 。
●按语料库的表达形式划分，可分为口语语料库（spoken corpus）和文本语料库
                                                        
1
  《语料库语言学与计算语言学研究丛书》 ，世界图书出版公司出版。 
（text corpus） 。
●按语料库中语料的语种划分，可分为单语种语料库（monolingual corpora）和
多语种语料库（multilingual corpora） 。多语种语料库又可以再分为比较语料库
（comparable corpora）和平行语料库（parallel corpora） 。比较语料库的目的侧重
于特定语言现象的对比，而平行语料库的目的侧重于获取对应的翻译实例。
●按语料库的动态更新程度划分，可分为参考语料库（reference corpus）和监控
语料库（monitor corpus） 。参考语料库原则上不作动态更新，而监控语料库则需
要不断地进行动态更新。
早在 1897 年，德国语言学家 Kaeding 就使用大规模的语言材料来统计德语
单词在文本中的出现频率，编写了《德语频率词典》（J. Kaeding,
Häufigkeitswörterbuch der deutschen Sprache, Steglitz: published by the author,
1897） 。由于当时还没有计算机，Kaeding 使用的语言材料不是机器可读的
（machine readable） ，所以他的这些语言材料还不能算真正意义上的语料库，但
是 Kaeding使用大规模语言资料来编写频率词典的工作，是具有开创性的。
   1959  年，英国伦敦大学教授Randolph Quirk提出建立英语用法调查的语言
资料库，叫做 SEU（Survey of English Usage） ，当时由于技术条件的限制，SEU
是用卡片来建立的，也不是机器可读的。后来 Quirk 把这些语言资源逐步转移到
计算机上， 使之成为机器可读的语料库， 并根据这个语料库领导编写了著名的 《当
代英语语法》 （R.  Quirk，Towards a description of English usage, Transactions of
the Philological Society, pp.40-61, 1960.） 。
   1964 年，A.  Juilland 和 E.  Chang-Rodriguez 根据大规模的西班牙语资料来
编写《西班牙语单词频率词典》(A. Juilland and E. Chang-Rodriguez, Frequency
Dictionary of Spanish Words, The Hague, Mouton，1964.)。在收集语言资料时，注
意到了抽样框架、语言资料的平衡性、语言资料的代表性等问题。
   1979 年， 美国 Brown  大学的Nelson Francis  和 Henry Kucera  在计算机上建
立了机器可读的 BROWN  语料库（布朗语料库） ，这是世界上第一个根据系统性
原则采集样本的平衡结构语料库，规模为 100  万词次，并用手工做了词类标注
（part  of  speech tagging） 。 BROWN  语料库是一个代表当代美国英语的语料库(W.
Francis, Problems of assembling, describing and computerizing large corpora, 
Scripter Verlag, pp.110-123, 1979. )。
接着，英国 Lancaster 大学的 Geoffrey Leech 教授提出倡议，挪威 Oslo  大
学的 Stig Johansson 教授主持完成，最后在挪威 Bergen 大学的挪威人文科学计
算中心联合建立了 LOB  语料库（LOB  是 Lancaster，Oslo  和 Bergen 的首字母
缩写） ，规模与 Brown  语料库相当。这是一个代表当代英国英语的语料库。
欧美各国学者利用 BROWN 和 LOB 这两个语料库开展了许多大规模的研
究，取得了引人注目的成绩。
近年来，语料库语言学的研究硕果累累，关于这些研究成果，我在《应用语
言学中的语料库》 （世界图书出版公司、剑桥大学出版社 2006 年版）一书的导读
中已经做过介绍，有兴趣的读者可以参看。
  从 20世纪90 年代初、中期开始，语料库逐渐由单语种向多语种发展，多语
种语料库开始出现。目前多语种语料库的研究正朝着不断扩大库容量、深化加工
和不断拓展新领域等方向继续发展。 随着从事语言研究和机器翻译研究的学者对
多语种语料库重要性的逐渐认识， 国内外很多研究机构都致力于多语种语料库的
建设，并利用多语种语料库对各种各样的语言现象进行了深入的探索。
  在建设或研究语料库的时候，我们应当注意语料库的代表性、结构性和平衡
性， 还要注意语料库的规模， 并制定语料的元数据规范。 下面分别讨论这些问题。
这只是我个人的意见，供读者参考。
  首先讨论语料库的代表性。
  语料库对于其应用领域来说，要具有足够的代表性，这样，才能保证基于语
料库得出的知识具有较强的普遍性和较高的完备性。
  真实的语言应用材料是无限的，因此语料库样本的有限性是无法回避的。承
认语料库样本的有限性，在语料的选材上，就要尽量追求语料的代表性，要使有
限的样本语料尽可能多地反映无限的真实语言现象的特征。 语料库的代表性不仅
要求语料库中的样本取自于符合语言文字规范的真实的语言材料， 而且要求语料
库中的样本要来源于正在“使用中”的语言材料，包括各种环境下的、规范的或
非规范的语言应用。语料库的代表性还要求语料具有时代性，能反映语言的发展
变化和当代的语言生活规律。只有通过具有代表性的语料库，才能让计算机了解
真实的语言应用规律，才有可能让计算机不仅能够理解和处理规范的语言，而且
还能够处理不规范的但被广泛接受的语言、甚至包含有若干错误的语言。
  再来讨论语料库的结构性。
     语料库是有目的地收集的语料的集合，不是任意语言材料的堆积，因此要求
语料库具有一定的结构。在目前计算机已经普及的技术条件下，语料库必须是以
电子文本形式存在的、计算机可读的语料集合。语料库的逻辑结构设计要确定语
料库子库的组成情况，定义语料库中语料记录的码、元数据项、每个数据项的数
据类型、数据宽度、取值范围、完整性约束等。
  我们还有必要来讨论语料库的平衡性。
  平衡因子是影响语料库代表性的关键特征。在平衡语料库中，语料库为了达
到平衡，首先要确定语料的平衡因子。影响语言应用的因素很多，如：学科、年
代、文体、地域、登载语料的媒体、使用者的年龄、性别、文化背景、阅历、语
料的用途（公函、私信、广告）等。不能把所有的特征都作为平衡因子，只能根
据实际需要来选取其中的一个或者几个重要的指标作为平衡因子。 最常用的平衡
因子有学科、年代、文体、地域等。应该根据平衡语料库的用途来评测语料库所
选择的平衡因子的恰当性。
     在建设语料库时，还应当考虑语料库的规模。
  大规模的语料库对于语言研究， 特别是对于计算语言学的研究具有不可替代
的作用。但随着语料库的增大，垃圾语料带来的统计垃圾问题也越来越严重。而
且，当语料库达到一定的规模后，语料库的功能并不会随着其规模同步地增长。
我们应根据实际的需要来决定语料库的规模， 语料库规模的大小应当以是否能够
满足其需要来决定。
  我们还应当考虑语料库的元数据（meta data）问题。
  语料库的元数据对语料库研究具有重要的意义。 我们可通过元数据了解语料
的时间信息、地域信息、作者信息、文体信息等各种相关信息；也可通过元数据
形成不同的子语料库，满足不同兴趣研究者的研究需要；还可通过元数据对不同
的子语料库进行比较，研究和发现一些对语言应用和语言发展可能有影响的因
素；元数据还可记录语料的知识版权信息、语料库的加工信息和管理信息。
由于在汉语书面文本中词与词之间没有空白，不便于计算机处理，因此，汉
语书面文本的语料库一般都要做切词和词性标注。 汉语书面文本经过切词和词性
标注之后，带有更多的信息，更加便于使用。
不过，关于语料库的标注（annotation）问题，学术界还存在不同的看法。
有的学者主张对语料进行标注，认为标注过的语料库具有开发和研究上的方便
性、使用上的可重用性、功能上的多样性、分析上的清晰性等优点。有的学者则
对语料库标注提出批评。学术界对于语料库标注的批评主要来自两方面：一方面
认为，语料库经过标注之后失去了客观性，所得到的标注语料库是不纯粹的，带
有标注者对于语言的主观认识；另一方面认为，手工标注的语料库准确性高但一
致性差，自动或半自动的标注一致性高但准确性差，语料库的标注难以做到两全
其美，而目前大多数的语料库标注都需要人工参与，因而很难保证语料库标注的
一致性（J.Sinclair, Corpus, Concordance, Collocation, Oxford University Press,
1991） 。我们认为，不论标注过的语料库还是没有标注过的语料库都是有用的，
其中都隐藏着丰富的语言学信息等待着我们去挖掘， 我们甚至可以使用机器学习
的技术，从语料库中自动地获取语言知识，不论标注过的语料库还是没有标注过
的语料库都有助于语言学的发展。
  近年来，在语料库的建立和开发中逐渐创造了一些独特的方法，提出了一些
初步的原则， 并且对这些方法和原则在理论上进行了探讨和总结， 逐渐形成了 “语
料库语言学” （corpus linguistics） 。由于语料库是建立在计算机上的，因此，语料
库语言学是语言学和计算机科学交叉形成的一门边缘学科。 目前语料库语言学主
要是利用语料库对语言的某个方面进行研究，是一种新的研究手段，同时也逐步
建立了自己学科的理论体系，正处于迅速的发展过程之中。
语料库语言学是一种新的获取语言知识的方法。描写语言学基本上是通过语
言学家用手工方法或“内省”的方法，从有限的语料资料中归纳总结个别的语言
数据来获取语言知识的。由于人的记忆能力有限，任何语言学家，哪怕是语言学
界的权威泰斗，都不可能记忆和处理浩如烟海的全部语言数据，因此，使用传统
的手工方法来获取语言知识，犹如以管窥豹，以蠡测海。这种获取语言知识的方
法不仅效率极低，而且带有很大的主观性。我国传统语言学中倡导的所谓“例不
过十不立，反例不过十不破”的朴学精神貌似严格，实际上，在浩如烟海的语言
数据中，以十个正例或十个反例就轻而易举地来决定语言规则的取舍，难以万无
一失地保证这些规则的可靠性。语料库语言学提倡建立语料库，在计算机的辅助
下，使用统计的方法或机器学习的方法，自动或半自动地从浩如烟海的语料库中
获取准确的语言知识。随着因特网日新月异的发展，因特网上有着无比丰富的文
本语言数据，其中有经过标注的结构化的语言数据，也有未经过标注的非结构化
的语言数据， 我们可以从因特网上这些大量的语言数据中自动或半自动地获取语
言知识。这是语言学获取语言知识方式的巨大变化，在语言学的发展历史上具有
革命性的意义。我们应该敏锐地注意到这样的变化，努力学习语料库语言学的理
论和方法，逐渐改变获取语言知识的手段。
     语料库语言学也为语言研究人员提供了一种新的思维角度， 辅助人们的语言
“直觉”和“内省”判断，从而克服语言研究者本人的主观性和片面性。我们预
计，语料库方法将会逐渐成为语言学研究的主流方法，受到语言研究者的普遍欢
迎。
     语料库语言学还为语言研究的现代化提供了强有力的手段。 语料库把语言学
家从艰苦繁重的手工劳动中解放出来， 使语言学家可以集中精力来研究和思考其
他重要问题，这对于促进语言学研究的现代化具有不可估量的作用。
目前，语料库语言学主要研究机器可读自然语言文本的采集、存储、检索、
统计、自动切分、词性标注、语义标注，并研究具有上述功能的语料库在词典编
纂、语言教学、语言定量分析、词汇研究、词语搭配研究、语法研究、多语言跨
文化研究、法律语言研究、作品风格分析等领域中的应用，已经初步展现出这门
新兴学科强大的生命力，并且也影响和推动了计算语言学的发展。
2.  计算语言学研究简介
1946 年美国宾夕法尼亚大学的 J. P. Eckert和 J.W. Mauchly设计并制造出了
世界上第一台电子计算机 ENIAC，电子计算机惊人的运算速度，启示着人们考
虑传统翻译技术的革新问题。为了探索如何用计算机来改进翻译技术，1952 年
在美国的 MIT 召开了第一次机器翻译会议，1954 年美国乔治敦大学在国际商用
机器公司（IBM 公司）的协同下，用 IBM-701 计算机，进行了世界上第一次机
器翻译试验，把几个简单的俄语句子翻译成英语，拉开了人类历史上使用计算机
来处理自然语言的序幕。接着，苏联、英国、日本也进行了机器翻译试验，机器
翻译出现热潮。
为了推动机器翻译的研究，1954 年美国出版了第一本机器翻译的杂志，这
个杂志的名称叫做Machine Translation （ 《机器翻译》 ） 。 1965年Machine Translation
杂志改名为Machine Translation and Computational Linguistics（ 《机器翻译和计算
语言学》 ）杂志，在杂志的封面上，首次出现了“Computational Linguistics”这
个新学科的名字，令人遗憾的是， “and Computational Linguistics”这三个单词是
用特别小号的字母排印的，与大号字母排印的“Machine Translation”形成强烈
的对照。这说明，当时学者们对于“计算语言学”是否能够算为一门真正的独立
的学科还没有确实的把握。计算语言学刚刚登上学术这个庄严的殿堂的时候，还
带有“千呼万唤始出来，犹抱琵琶半遮面”那样的羞涩，以至于这个刊物不敢用
与 Machine Translation同样大小的字母来排印它。当时 Machine Translation杂志
之所以改名，是因为在 1962 年美国成立了“机器翻译和计算语言学学会”
（Association for machine Translation and Computational Linguistics） ，通过改名可
以使杂志的名称与学会的名称保持一致。根据这些史料，我们认为，远在 1962
年，就出现了“计算语言学”这个学科了，尽管它在刚出现的时候还是偷偷摸摸
的，显示出少女般的羞涩，然而，它却悄悄地登上了庄严的学术殿堂。
40 多年来，计算语言学发展迅速，逐渐建立了完整的理论和方法，成为了
一门独立的学科，取得了很大的成绩，在当代语言学中引人注目。
由于计算机的速度和存储量的增加，使得计算语言学在语音合成（speech
synthesis） 、语音识别（speech recognition） 、文字识别（character recognition） 、
拼写检查（spelling check） 、语法检查（grammar check）这些应用领域，进行了
商品化的开发。除了早期就开始的机器翻译（machine translation）和信息检索
（information retrieval）等应用研究进一步得到发展之外，计算语言学在信息抽
取 （information extraction） 、 问答系统 （question answering system） 、 自动文摘 （text
summarization） 、 术语的自动抽取和标引 （term extraction and automatic indexing） 、
文本数据挖掘（text data mining） 、自然语言接口（natural language interaction） ，
计算机辅助语言教学（computer-assisted language learning）等新兴的应用研究中，
都有了长足的进展，计算语言学的技术在多媒体系统（multimedia system）和多
模态系统（multimodal system）中也得到了应用。
 
3.  语料库语言学和计算语言学之间的关系
 
在过去的 40 多年中，从事计算语言学应用系统开发的绝大多数学者，都把
自己的目的局限于某个十分狭窄的专业领域之中， 他们采用的主流技术是基于规
则的句法-语义分析， 尽管这些应用系统在某些受限的 “子语言” （sub-language）
中也曾经获得一定程度的成功，但是，要想进一步扩大这些系统的覆盖面，用它
们来处理大规模的真实文本，仍然有很大的困难。因为从计算语言学应用系统所
需要装备的语言知识来看，其数量之浩大和颗粒度之精细，都是以往的任何系统
所远远不及的。而且，随着系统拥有的知识在数量上和程度上发生的巨大变化，
系统在如何获取、表示和管理知识等基本问题上，不得不另辟蹊径。这样，在计
算语言学中就提出了大规模真实文本的自动处理问题。
1990 年 8 月在芬兰赫尔辛基举行的第 13 届国际计算语言学会议（即
COLING'90）为会前讲座确定的主题是： “处理大规模真实文本的理论、方法和工
具” ，这说明，实现大规模真实文本的处理已经成为计算语言学在今后相当长的
时期内的战略目标。为了实现战略目标的转移，计算语言学需要在理论、方法和
工具等方面实行重大的革新。1992 年 6 月在加拿大蒙特利尔举行的第四届机器
翻译的理论与方法国际会议（TMI-92）上，宣布会议的主题是“机器翻译中的经
验主义和理性主义的方法” 。所谓“理性主义” ，就是指基于规则（rule-based）
的方法，所谓“经验主义” ，就是指以大规模语料库的分析为基础的方法，也就
是基于语料库（corpus-based）的方法。语料库的建设和语料库语言学的崛起，
为计算语言学战略目标转移提供了语言资源方面的保证。 随着人们对大规模真实
文本处理的日益关注，越来越多的学者认识到，基于语料库的方法（即经验主义
的方法）至少是对基于规则的方法（即理性主义的方法）的一个重要补充。因为
从“大规模”和“真实”这两个因素来考察，语料库才是最理想的语言知识资源。
当前的计算语言学研究提倡建立语料库，使用“机器学习” （machine learning）
的方法，让计算机自动地从浩如烟海的语料库中获取准确的语言知识。在每两年
召开一次的 “自然语言处理中的经验主义方法会议” （Empirical Methods in Natural
Language Processing, 简称EMNLaP）上，基于语料库的机器学习方法成为了会
议的主流议题。计算语言学和语料库语言学发生了鱼水难分的密切联系。
在新的 21 世纪，这种基于语料库的机器学习方法在计算语言学中进一步以
惊人的步伐加快了它的发展的速度。我认为，计算语言学的加速发展在很大的程
度上受到下面三种彼此协同的因素的推动。
第一个因素是带标记语料库的建立。在语言数据联盟（Linguistic Data
Consortium，简称LDC）和其他相关机构的帮助下，计算语言学的研究者可以方
便地获得口语和书面语的大规模的语料库， 而且其中还包括数量可观的标注过的
语料库，如宾州树库（Penn Treebank） ，布拉格依存树库（Prague Dependency Tree
Bank） ，宾州命题语料库（PropBank） ，宾州话语树库（Penn Discourse Treebank） ，
修辞结构库（RSTBank）和 TimeBank。这些语料库是带有句法、语义、语用、
修辞结构等不同层次的标记的标准文本语言资源。 这些标注语料库的存在使得计
算语言学的研究可以使用 “有监督的机器学习方法” （supervised machine learning）
来处理那些在传统上非常复杂的自动句法分析和自动语义分析等问题。 这些标注
语料库也推动了计算语言学中有竞争性的评测机制的建立， 不再采用传统的人工
评测方法而采用机器自动评测方法， 评测的范围涉及到自动句法分析、 信息抽取、
词义排歧、问答系统、自动文摘等领域。
第二个因素是统计机器学习技术的成熟。对于机器学习的日益增长的重视，
导致了计算语言学的研究者与统计机器学习的研究者更加频繁地交流， 彼此之间
互相影响。支持向量机技术（support vector machine） 、最大熵技术（maximum
entropy） 、多项逻辑回归（multinomial logistic regression） 、图式贝叶斯模型
（graphical Bayesian models）等统计机器学习技术在计算语言学中得到了普遍的
应用，深受计算语言学研究者的欢迎。
第三个因素是高性能计算机系统的发展。高性能计算机系统的广泛应用，为
机器学习系统的大规模训练和效能发挥提供了有利的条件， 而这些在上一个世纪
是难以想象的。
进入 21 世纪以来，除了有监督的机器学习方法之外，大规模的“无监督统
计学习方法” （unsupervised statistical machine learning）在计算语言学中也得到了
广泛的关注。机器翻译（machine translation）和主题模拟（topic modeling）等领
域中统计方法的进步， 说明了在计算语言学也可以只训练完全没有标注过的语料
库来构建机器学习系统，这样的系统也可以得到有成效的应用。由于建造可靠的
标注语料库要花费很高的成本，建造的难度很大，在很多问题中，这成为了使用
有监督的机器学习方法的一个限制性因素。因此，今后在计算语言学研究中将会
更多地使用无监督的机器学习技术。我们相信，计算语言学和语料库语言学的联
系将会更加密切，进一步发展到水乳交融的程度。
世界图书出版公司北京公司为了引进国外关于语料库语言学和计算语言学
的专著和论文集，出版了这套“语料库语言学与计算语言学丛书” 。这套丛书可
以帮助读者更好地了解这两门新兴学科的发展概貌，扩大读者的语言学视野，吸
引更多的读者来关注这两门新兴的学科。
这套“语料库语言学与计算语言学研究丛书”目前收入 6 本国外有关语料库
语言学研究的论文集和专著，1 本国外有关计算语言学的专著，今后还会不断引
进其他最新的相关著作， 力求反映当前语料库语言学和计算语言学的研究成果和
发展动向。
《语料库语言学的进展》 （Advances in Corpus Linguistics）是第 23 届国际英
语语料库语言学年会的论文选集，包括 22 篇论文，反映了语料库语言学的最新
发展情况。论文中心内容是讨论理论、直觉和语料的关系以及语料库在语言学研
究中的作用。大多数论文是关于英语某个特定方面的经验研究，从词汇和语法到
话语和语用，涉及面很广。此外，还讨论了语言变异、语言发展、语言教学、英
语与其他语言的跨语言比较、语言研究软件工具的研制等问题。论文的作者中有
许多著名的语言学家， 如M.A.K. Halliday、 John Sinclair、 Geoffrey Leech和Michael
Hoey 等。本文集既注意理论，又注意方法，清楚地显示了在经验主义方法的影
响下语料库语言学这个新兴学科正在稳步地发展中。
《通过语料分析进行教与学》 （Teaching and Leaning by doing corpus analysis）
是第四次教学与语言语料库国际会议文集 （2000年7月19—24日在Graz举行） 。
该文集反映了在语言教学中应用语料库取得的进展， 不论把语料库作为一种资源
还是作为一种方法，它对于语言的教学或研究都有积极的作用。文集强调了“发
现式学习” （discovery learning）的重要性，指出发现式学习在课堂教学和课外研
讨中都有很好的效果。文集还强调了在使用中学习口语和书面语的重要性，提出
要充分利用现代的语料库来学习、翻译和描述语言。文集主张以学生为中心，以
基于语料库的语言调查为手段来进行语言教学。文集所收的文章既有回顾性的，
也有前瞻性的，在这些文章中，作者们描述了他们使用语料库来教学的实践与担
心，成功与失败，让读者来分享他们的教学经验。
《语言学中的数学方法》 （Mathematical Methods in Linguistics）是一本关于
计算语言学的专著。全书包括 A, B, C, D, E 五篇。A篇讲述集合论，B篇讲述逻
辑和形式系统，C篇讲述抽象代数，D篇讲述作为形式语言的英语，E篇讲述形
式语言、形式语法和自动机。如果读者从 A 篇开始，一篇一篇地仔细阅读，反
复推敲，认真做练习，逐步深入下去，就可以升堂入室，了解到语言学中使用的
主要的数学方法。现代语言学的研究，特别是面向计算机的语言学研究，离开了
数学将寸步难行。在这种情况下，语言学工作者有必要进行更新知识的再学习，
学习一点与语言学研究有关的数学知识，从而改进自己的知识结构。本书是专门
为语言学工作者写的，讲数学问题时都紧紧扣住语言，深入浅出，实例丰富，作
者还精心设计了大量的练习，书末附有练习答案选，正好满足了语言学工作者更
新知识的迫切需要，是一本不可多得的优秀读物。
     《超句法表示结构的形式与功能》 （Form and function of parasyntactic
representation structure）根据真实的语料数据，从功能的视角来研究韵律和句法
之间的相互作用。作者介绍了Halliday关于声调是一个信息单位的解释，Halford
关于从韵律方面和句法方面定义“谈话单位” （talk unit）的思想，Esser 关于抽
象表达结构的概念，在这些理论的基础上，作者建立了一个“修正的谈话单位模
式” （modified talk unit model） 。这种谈话单位模式是一种“超句法的模式”
（parasyntactic unit） ，既要进行定量的分析，也要进行功能的分析，并在声调单
位的边界处来研究韵律状态和句法状态的相互作用。这项研究的数据是从
London Lund 英语口语语料库中采集的，样本包含 50000 个单词。研究结果表
明，使用韵律和句法之间的相互作用，可以更有效地对语言信息进行结构化的描
述。 本研究应用了语料库语言学的方法来分析谈话单位在风格和语用方面的潜在
特征，对于英语口语进行功能主义和经验主义的分析，具有开创性。
       《应用语料库语言学：多维视角》 （Applied Corpus Linguistics: A
Multidimensional Perspective） 是美国印第安纳大学跨文化交流中心第四届北美研
讨会的文集（2002 年 11 月在 Indiananpolis 举行） ，作者来自美国、比利时、中
国、法国、德国、爱尔兰、荷兰、西班牙等8 个国家，内容涉及基于语料库的课
堂教学、口语话语分析、书面语话语分析、网络话语分析等。整个文集分为两部
分：第一部分是语料库语言学在口语话语分析和书面语话语分析中的应用；第二
部分是语料库语言学在直接教学法中的应用。
    《拓展基于语料研究的范围》 （Extending the Scope of Corpus 　 based
Research）是北亚利桑那大学现代英语和中古英语计算机文档国际会议的文集，
该会议于 2001 年在 Arizona 举行。这次会议的主题是“对语料库语言学的新挑
战” 。这种新挑战包括：改进语料库语言学的方法论标准，划清基于语料库的研
究与理论语言学之间的界限，进一步探讨语料库语言学在语言教学中的应用。文
集中的文章清楚地显示了基于语料库的研究正在迎击这样的挑战。 
    《应用语言学中的语料库》 （Corpora in Applied Linguistics）以丰富而有趣的
实例说明了语料库在应用语言学中的作用，本书广泛地使用了 COBUILD  “英
语银行” （Bank of English）  语料库中丰富的语言材料，把应用语言学与语料库
密切地结合起来，对于如何在应用语言学中发挥语料库的作用，提出了许多独到
的见解。本书还讨论了语料库对应用语言学的重要性和它的局限性。语料库对应
用语言学的重要性在于：语料库是收集和存储语言数据的一种手段，借助“词语
索引” （concordance list）和“频率” （frequency） ，语料库可以大大地改善人们的
语言“直觉” ，弥补“内省”方法的不足，从而克服主观性和片面性。而语料库
的局限性是：语料库只能给我们关于某种语言现象频率高低的信息，但不能给我
们某种语言现象是否可能的信息；语料库只能告诉我们语言事实本身，但不能进
行推理；语料库只能给我们提供例证，但不能对例证提供解释，对例证的解释要
依靠语言学家对于语言的直觉和内省；此外，文本语料库还不能提供关于声调、
手势以及社会背景方面的信息等。
世界图书出版公司北京公司出版的这套 “语料库语言学和计算语言学研究丛
书”内容丰富而新颖，是反映这两个学科当前发展情况的一面镜子。读者可以通
过这面镜子，对当前的语料库语言学和计算语言学有一个鸟瞰式的认识。希望广
大读者喜爱这套丛书，从阅读中开阔眼界，获得新知。是为序。