现场即席话语语料库的切分与标注.docVIP

现场即席话语语料库的切分与标注 顾曰国 中国社会科学院语言研究所 guyueguo@ 1．现场即席话语的定义 罗常培（1989 [1950]：）在阐述方言学的有关问题时要研究者不能只偏重语音一个方面，而应该同时重视语法、词汇和语义的研究，还要“深入各行业，各阶层的里面分头调查他们的惯用语”，要担负起描写“人民大众的言语”的责任，不能让在“中国的各行业和各阶层里”存在的活的语言“自生自灭”。本文要介绍的正在建设中的“北京地区现场即席话语语料库”可以说是把罗常培的遗愿付之于行动的一个初步尝试。 现场即席话语指两人或两人以上在某一场合事先无准备的谈话。它不同于我们常说的“口语”，表现在口语包括的内容很广，下面这些都可以说是口语： 无准备 有话题限制 但是无准备 有话题限制 无书面准备 有书面准备但不念稿 念稿子 单个 如自言自语 如讲个人经历 如口语考试 如口头独白、单口相声 如朗读、新闻广播 两人或两人以上 *如日常生活交谈 *如体育沙龙 *如现场采访 如演戏、相声 如集体朗诵 带星号的属于本文定义的现场即席话语，其中日常生活中无准备的交谈最具有典型性。 2．背景介绍 建构现场即席话语语料库是一个非常复杂的过程，借鉴国外学者在这方面的成功经验，本语料库按以下6个步骤进行（参照了Leech, Myers, and Thomas, 1995:4）: 图中的每一步都要涉及一些非常棘手但却事关重要的问题，因为它们将影响语料库的质量，同时也就影响到对语料库的应用以及相关研究的可信度。我们从界定“0—现场即席话语”开始。这里涉及到为什么从这里开始的问题。建构这样的库有什么理论及实践意义？从0到1有如何取样、每样取多少、如何录音等问题。2a ---汉字转写，其最突出的问题是如何断句，我们甚至要问口语里有没有像书面语里那样的句子？2b ---特殊用途转写，主要指语音转写，转写的详略取决于用途。突出的问题是如何切分音串、如何处理个人发音特征、超音段特征以及采用什么样的注音符号。3 ---格式置标，主要考虑的问题是置标的可操作性和兼容性。4 ---语言信息标注，包括词性标注、句式标注、句法标注、语义标注、语用标注等。棘手的问题有如何界定各个标注集、如何确定各个词项所应标注的内容、如何实现机器自动标注等。5 ---应用，不仅仅指利用语料库编辞典、教材等，还包括对语言进行理论研究。如图所示，应用不是要等到做完了第4步以后才开始的， 3．第一次切分: 抽样采集与冻结社会与家庭生活流 社会与家庭生活是个动态的事件流 生活流的运作机制是采样的重要依据 录音实际上就是在切分生活流 标注就是把切分的过程与结果用一套符号记录下来,供检索与提取信息之用。 切分与标注的质量就在于我们对生活流的运作机制的认识与把握。我们的处理办法: 社会机构分类 单位数量的确定 典型活动 相同活动 特殊人群 时空间上的分布 人们的日常生活是围绕两大轴心展开的。一是工作单位（或场所），二是家庭。人们上班、下班、回家，周而复始。工作单位和家庭都是可以穷尽的，而且是分层次的，结构化的。这些特点使工作单位和家庭成为我们较为理想的取样域。 为了得到有关数据，我们把1999年北京电话簿（黄页）输入电脑，并对里面所列的各单位进行自动检索和排序处理。由此我们得出6大类和31个次类，如表一。 表一：社会单位分类表 01 国家机关、政党机关和社会团体 4823 7.12% 0101 政府机关 3760 5.55% 0102 政党机关 95 0.14% 0103 社会团体 899 1.33% 0104 外国住华使领馆 136 0.20% 02 社会经济 53838 79.43% 0201 金融、保险业 1340 1.98% 0202 邮电通信业 840 1.24% 0203 能源工业 1141 1.68% 0204 采掘业/冶金 668 0.99% 0205 制造业 17659 26.05%