个性化虚拟语料库及其应用.docVIP

个性化虚拟语料库及其应用 　　摘要：个性化虚拟语料库是大数据时代应运而生的新兴工具，在语言教学与研究中应用前景广阔。它是以现有语料库或互联网语料为基础，根据个性化需求临时创建的专题语料库。本文以美国杨百翰大学维基百科英文语料库为例，介绍了如何创建、编辑、管理和使用个性化虚拟语料库，包括其检索方法，阐述了如何从中挖掘利用语言教学和词典编纂所需的各类词表，并探索了其在专门用途英语教学中的应用，最后提出了如何有效利用该类资源的建议和展望 关键词：个性化虚拟语料库；维基百科语料库；词表；专门用途英语教学；专科词典编纂 中图分类号：H319.3 文献标识码：B 论文编号：1674-2117（2017）09-0096-05 近年来，语言教学与研究正日益广泛地用到语料库（corpus）资源。用户可在现成正规语料库或互联网语料的基础上，根据自身需求临时创建专题语料库，即个性化虚拟语料库（customized virtual corpus）。这两种语料来源各有优缺点，现成的正规语料库制作规范，标注与统计功能强大，但由于是静态资源，语料库容量有限，所以在建成之初其语料就已经“过时”。而互联网语料实际上是大数据时代的“网络语料库”（web as corpus，又译作“以网络为语料库”），它主要通过Google等搜索引擎来收集最新语料，其中以英国伯明翰城市大学的WebCorp等为代表，但由于受到搜索引擎功能的限制，缺乏正规语料库的标注和统计功能，所以它往往无法按语言工作者的需要精确检索到语料 美国杨百翰大学（Brigham Young University）Mark Davies教授于2015年发布了具有开放性和动态性的维基百科英文语料库平台（The Wikipedia Corpus）。它为用户专门设置了创建个性化虚拟语料库的功能，这克服了“网络语料库”的目的性和针对性不强的缺点，同时又具有正规（静态）语料库的语料处理功能。该库用户可根据所需主题，检索相关内容的语料，临时聚合语料并分类管理，从而创建个性化的专题（子）库（刘喜琴 Davies， 2017）。与Sketch Engine等提供的虚拟语料库功能相比，该库创建、管理和使用起来更加灵活方便，进一步降低了用户的技术门槛，因而具有广阔的应用前景。目前，该库语料来源于所有英语国家，库容达190亿个词，含4，400，000个文件。虽然容量巨大，但检索速度很快，是Sketch Engine的五六倍。其优势还体现在它的语料检索功能远远超过维基百科原有系统，而且与学校其他十多个免费权威语料库（如COCA、COHA、BYU-BNC等）实现了无缝对接（Davies， 2015） 众所周知，维基百科专业性强、规模大、应用广，具有很高的自然语言研究价值，因此引起了国内外学者的普遍关注（赵飞等，2010），如挖掘双语语料以建造双语平行语料库等（孟桂国，2010；胡弘思，2013）。在国外，个性化虚拟语料库已逐步应用于语言教学与词典编纂等方面（Avinesh et al，2012），但国内学界对其仍比较陌生，本文尝试以维基百科英文语料库为例，探索如何将其应用于个性化教学等方面 个性化虚拟语料库的创建与管理 登录杨百翰大学的维基百科语料库网站（http：///wiki/），可看到“Create corpus”按钮，点击即可进入创建页面。在“Title word（s）”（标题框）中输入包含在文档标题中的字符串，底下四个框还可以分别设置标题或网页中要包含或剔除的字符串，以及网页数量（pages）。例如，我们想创建一个关于圣诞节的专题库，通过网页查询Christmas后，发现需要过滤掉一些有关歌曲或电影的网页。可以先在标题框中输入Christmas，然后在“（Optional）Words not in title”框中输入“song film”，在“（Optional）Words not in pages”框中输入“movie film television” 同时，也可以在建好的专题库中建立更小的子库，如想在BIOLOGY库下面建立STEM CELL子库，只需在BIOLOGY库中查询字符串“stem cell”，就能将系统自动显示的网页保存建库 建好库后不仅可以对自建库进行编辑管理――从屏幕右边的自建库管理窗口开始进行各种操作，如将某库删除（delete）、隐藏（hide）、恢复隐藏等，还可以对各库顺序进行重排或重命名（rename），或对各库进行分类（regroup）并对?别进行命名。如下图所示，BASTKETBALL、BIOLOGY和INVESTMENTS三个专题库分别归在Sports类（Sp）、Science类（Sc）和Finance类（Fi） 杨百翰大学语料库的检索方法