现场即席话语语料库的切分与标注.doc

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@

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。

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):
2b 特殊
用途转写
2a 汉字
转写
0 现场即
席话语
3 格式置标
4 语言信息标注
1 录音
5 应用
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,
: 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
%
0101 政府机关
3760
%
0102 政党机关
95
%
0103 社会团体
899
%

0104 外国住华使领馆
136
%
02 社会经济
53838
%
0201 金融、保险业
1340
%

0202 邮电通信业
840
%

0203 能源工业
1141
%

0204 采掘业/冶金
668
%

0205 制造业
17659
%

0206 建筑业
4988
%

0207 交通运输、仓储
1173
%

0208 地质勘察业、水利管理业
??

0208 房地产业
919
%

0210 批零贸易、餐饮业
15890
%

0211 农、林、牧、渔业
2748
%

0212 综