網絡語料庫分析系統CQPweb的建設及應用

劉萍　吳良平

摘要：新一代網絡語料庫分析系統CQPweb具有詞頻分析、搭配分析、分布分析、索引行以及主題詞分析等多種分析功能。CQPweb于2014年首次引入國內，目前國內已建成三個CQPweb，更多語料庫研究者期待著創建自己的CQPweb。鑒于此，本文以HZAUCQPweb為例，詳細介紹了CQPweb的創建流程，所要求的環境條件、技術要求、CQPweb的體系結構、管理權限等。HZAU CQPweb建成后，被應用于學術寫作教學，探討了CQPweb的三個主要分析功能，即詞頻、搭配、分布分析功能在解答寫作困惑方面的作用。應用研究揭示：基于CQPweb的數據驅動學習在提高學生的語言意識、促進主動學習和知識內化等諸多方面優勢凸顯。本研究旨在促進CQPweb在國內的推廣應用。

關鍵詞：CQPweb；平臺建設；數據驅動學習；學術寫作教學

一、引言

近年來，隨著計算機技術的進步，語料庫開發與建設迅猛發展。然而技術門檻與版權問題阻礙了語料庫資源的共享。最新一代網絡語料庫分析系統CQPweb極大地簡化了語料庫檢索操作，很大程度上消除了技術障礙。同時，CQPweb將語料庫文本儲存于網絡服務器，用戶無法復制或重構語料庫文本，使語料庫版權得到保護。因而，有很多語料庫研究者期待架構自己的CQPweb，上載自建的語料庫，用于教學與科研。鑒于此，本文以HZAU CQPweb為例，介紹CQPweb的建構流程及其應用。集易用性、兼容性與強大功能于一體的CQPweb特別適合數據驅動學習（data-driven learning）。在教學中采用CQPweb，引入數字驅動學習的教學理念，將促進教學方法、教學手段的更新。CQPweb充分利用數據索引，能對大規模文本進行快速處理，符合大數據時代特征，代表著今后語料庫分析工具的發展趨勢。

二、概述

1.cQPweb的發展歷程

CQPweb是第四代基于網絡的語料庫分析系統（McEnery&Hardie 2012：44），其主要分析功能包括：索引行、搭配、詞頻、關鍵詞、分布分析等。CQP（Corpus Query Processor）最初由德國斯圖加特大學于1994年在Solaris平臺開發（Christ 1994）。1998年，StefanEvert以Linux為平臺繼續開發（Evert 2008）。2006年Hoffman&Evert結合了兩個單獨的查詢技術語料庫工作平臺Corpus Workbench（CWB，CQP為其核心組件）和MySQL關系數據庫，產生了新一代以CWB/CQP和MySQL為后臺的語料庫分析系統BNCweb，既提高了系統的操作性能，又給予CWB/CQP一個更友好的用戶界面。但是，該系統只能檢索英國國家語料庫BNC，不兼容其他語料庫。為了突破此局限，蘭卡斯特大學Andrew Hardie用PHP語言改寫了BNCweb，更全面的數據模型使其兼容幾乎所有類型的語料庫，他將改進后的系統命名為CQPweb。2008年，首個CQPweb問世，它以開源軟件形式發布，此后不斷推出新版本。

2.cQPweb的優勢特征

CQPweb采用瀏覽器一服務器的分布式數據處理方式，能實現跨平臺檢索，在功能性、易用性、靈活性三個方面實現了重大突破。Hardie認為對語料庫兼容并收的靈活性是CQPweb的主要創新特點（Hardie 2012：380）。相對于其他語料庫分析工具，CQPweb優勢突顯。目前廣泛使用的第三代語料庫分析工具，

如WordSmith Tools、MonoConc、AntConc等，雖然擁有良好的圖形用戶界面，易用性高，但是它們不支持數據索引或復雜檢索，因而檢索速度和功能大為遜色。還有一些語料庫工具雖然檢索功能強大，但易用性差。例如德國斯圖加特大學的CWB/CQP支持大型語料庫的快速、復雜檢索，但其檢索技術門檻高，多數普通研究者不會使用。另外一些語料庫檢索工具雖然易用，并且功能強大，但是兼容性差。例如上述BNCweb僅能針對BNC檢索，無法加載用戶自建語料庫。相比之下，CQPweb以常人熟知的瀏覽器為用戶端，采用標準化的語料格式，能加載和檢索任意語料，在功能、易用、靈活三者之間取得了較好平衡，成為目前功能最為全面的網絡語料庫分析系統。

3.國內外cQPweb的開發與應用

在國外，CQPweb以其獨特的優勢受到用戶青睞，目前，英、美、德、西班牙、加拿大等多個國家的大學和研究機構采用了CQPweb，服務于教學和科研（許家金、吳良平2014：12），取得了良好的效果。例如蘭卡斯特大學在語料庫語言學教學中采用了CQPweb，因為語料庫檢索操作被大大簡化，學生有更多精力聚焦于教學內容本身，因而學習效率得到提高（Hardie 2012：387）。另一方面，CQPweb的兼容性極大地拓展了其適用范圍，它甚至成為人文科學、社會科學領域研究者的研究利器。例如Maatz（2014）利用CQPweb進行對比研究，發現精神分裂癥患者對第一人稱代詞“I”的使用多于正常人，這一發現有助于精神分裂癥患者的病理研究。

在國內，CQPweb作為一個新概念、新事物，2014年由許家金、吳良平（2014）發表的專題論文首次引介。同年，國內第一個CQPweb系統“北京外國語大學多語種在線語料庫檢索平臺BFSU CQPweb”問世。該系統公開發布了代表7種語言的33個不同類型的語料庫，促進了語料庫資源與工具的共享，同時促進了基于語料庫網絡平臺的語言研究。在BFSU CQPweb示范效應的影響下，香港理工大學、華中農業大學也先后架構了各自基于校園網的CQPweb。這些先驅CQPweb系統使國內語料庫研究者體驗了CQPweb的強大功能、便利操作，以及它對語料庫版權有良好的保護，因而激發了一批語料庫研究者創建CQPweb的熱情。他們紛紛在論壇、網站等學術陣地尋求創建CQPweb的技術與流程。然而，現有的相關文獻少之又少，僅有的一篇中文文獻（許家金、吳良平2014）未有涉及CQPweb的具體創建流程及其在學科教學中的具體應用。

鑒于此，本研究詳細介紹華中農業大學CQPweb（以下簡稱HZAU CQPweb）的創建流程及應用研究，旨在為同類研究提供參考借鑒。

三、H7AU GOPweb的創建流程

HZAU CQPweb為農科英語語料庫網絡系統平臺，采用CQPweb v3.0.7作為建構基礎。建構網絡型CQPweb需要兩個基本條件：（1）CQPweb系統；（2）CQPweb專有格式語料庫。CQPweb（自帶安裝說明文檔）可從其官方網站自行下載與安裝。專有格式語料庫安裝到CQPweb系統后，用戶方能檢索。以HZAUCQPweb為例，我們從環境條件、技術要求、體系結構、管理權限等方面闡述CQPweb的建設流程。

1.創建cQPweb的技術參數與準備條件

CQPweb系統實為運行在Linux操作系統的一套開源程序，其主要構成元素為后臺OpenCorpus Workbench 3.0+和用戶界面CQPweb。軟件條件為：GNU Linux 2.6+、Apache-2.0+、MySQL-5.0+、PHP5.3+、Perl-5.8+。硬件條件為：32位或64位Intel/AMD處理器、雙倍于語料庫大小的空閑硬盤空間，以及適量內存（假設1億詞次規模的語料大小為1GB，將其架設在CQPweb平臺上所需的硬盤空間則約為2GB。依此類推）。HZAU CQPweb采用64位Linux，4GB內存，目前運行良好。

CQPweb可處理復雜數據類型語料，但對輸入文件格式要求嚴苛。在上載文本前，需要對文本進行清潔與處理，以減少出錯幾率，涉及多個步驟：（1）刪除源文本中的頁眉、頁腳、圖表及說明、參考文獻等語言學信息不強的部分；（2）切割與提取論文的各章節部分；（3）統一采用UTF-8編碼；（4）去除空行、行首與行尾空格等空白；（5）轉換全角符號至半角；（6）刪除異字（如英文文本中夾雜的漢字）；（7）添加詞性賦碼；（8）轉換語料格式為CQPweb專有格式。專有格式是CQPweb能加載任意語料，成為通用語料庫分析系統的關鍵。其中論文章節部分的切割、提取需要專業背景知識。HZAU CQPweb建設中，調動了不同農科專業方向的博士生參與此項工作，以確保語料提取、加工的質量。

2.HZAU cQPweb兩個數據模型與語料庫的三層構架

CQPweb的檢索功能的實現依靠兩個數據模型：語料庫文本數據模型和語料庫元信息模型。前者支持一般檢索，后者支持分類檢索。兩個數據模型的結構描述如下：

語料庫文本數據模型采用一行一單詞的豎排格式，每個單詞后面可帶詞性、詞形還原等若干標注成分（Hardie 2012：390）。在文本數據模型中，每個單詞都標注了詞性賦碼，單詞與詞性賦碼之間由制表符分隔，并排成CQPweb專有豎排格式。

語料庫元信息指與語料相關的文本結構信息或社會語言學信息，如章節號、刊物來源等信息。語料庫元信息模型分為兩欄，左邊為文本的ID，右邊為文本的學科分類元信息。如果有一文本的ID為D01，其對應的學科元信息為DWKX，那么元信息模型中的D01DWKX解讀為“動物科學（DWKX）文本庫中的第1個文本”。文件ID與元信息之間由制表符分隔。元信息用于CQPweb限定條件檢索（Restricted query），例如將帶有DWKX（動物科學）元信息數據的所有文本可作為一個學科大類進行檢索。HZAU CQP web能夠實現章節部分的分類檢索也是基于同樣的原理。

上述兩個數據模型運行在CQPweb后臺的服務器上，而在HZAU CQPweb前端的瀏覽器網頁上（http：//211.69.132.28/）呈現給用戶的是語料庫的三層架構：第一層是農科專業期刊論文語料庫，收錄英語母語者發表的期刊論文。第二層是漢語母語學習者語料庫，收錄農科專業的碩士生、博士生撰寫的英語學術論文。這兩個語料庫構架一樣，均由按照章節部分和學科分類的兩個子庫構成：章節子庫包含摘要（ABS）、引言（1NT）、方法（MET）、結果（RET）、討論（DIS）、結論（CON）6個庫；學科子庫包含植物科學（ZWKX）、動物科學（DWKX）、生命科學（SMKE）、園藝林學（YYLX）、農業經濟（NYJJ）等9個庫。第三層是對比語料庫，包括經過授權的英語母語學習者語料庫BAWE和文學作品語料庫DICKENS，主要用于對比研究。

3.cQPweb的系統結構與管理員權限

作為一套開源程序的集合，CQPweb系統主要分為服務器端和用戶端兩個部分，包括多個相互聯系的組件。檢索過程開始于用戶在瀏覽器的用戶界面輸入查詢語句，服務器端收到查詢請求后，與CWB和MySQL兩者進行交互，將最終結果通過瀏覽器呈現給查詢用戶，至此檢索完畢。在檢索過程中，用戶的任務僅為輸入恰當查詢語句（參看許家金、吳良平2014：14），而后一切交由CQPweb自動運行處理。

系統管理員權限為：（1）語料庫管理；（2）用戶管理。在語料庫管理方面，管理員可安裝、修改、刪除語料庫，根據需要隨時展示或隱藏特定語料庫，還可以修改系統配置文件，對用戶界面進行視覺效果調整。例如使用不同背景顏色區分不同語料庫，降低認知負荷，便于同一系統上大批量部署語料庫。在用戶管理方面，系統管理員可創建單個用戶或批量用戶，并根據實際需要對用戶進行分組，賦予不同訪問權限，例如僅對某一特定用戶組開放某一特定語料庫。這種靈活的用戶組策略便于管理不同權限的語料庫，也為同一系統部署不同權限的語料庫提供了可能。

四、COPweb的多種分析功能在學術寫作教學中的應用

HZAU CQPweb建成后，我們將其應用于農科專業博士生學術英語寫作課程教學，在教學中，引入數據驅動學習（Data DrivenLearning，簡稱DDL）的教學理念。數據驅動學習由Tim Johns（1991）提出，其主要思想為：學習者作為研究者，通過對大量語料數據的觀察，自己歸納、發現語言使用規律。教師作為引導者，為學生提供語料庫資源與工具，指引學習者探索、發現。在DDL教學理念的指導下，傳統上由教師講授的部分內容被轉化成學生的自主學習任務，以促進學生借助語料庫，自己探求語言困惑的答案，從而掌握DDL學習方法，達到授人以漁的目的。

采用DDL的學習方式后，教師引導學生嘗試利用CQPweb平臺上的各種檢索分析工具，如詞頻、搭配、分布、索引行以及主題詞分析等，解答寫作實踐中的疑問。限于篇幅，在此僅展示CQPweb的三個主要的分析功能：詞頻分析、搭配分析與分布分析在寫作教學中的應用情況。

1.詞頻分析與搭配分析

在英語寫作過程中學生常遭遇選詞與搭配方面困惑，例如學術英語論文寫作中一篇論文常要多次用到“研究”一詞，寫作者常糾結于多用research，還是多用studV，表示“關于……的研究”這兩個名詞到底與介詞of還是on的搭配更為頻繁？英、漢母語寫作者在選詞與搭配上有無差異呢？CQPweb的檢索結果如表1所示：

cQPweb的頻數解析（Frequency breakdown）功能顯示的數據表明：表達“研究”之意時，英、漢母語者都更多地傾向使用study（studies）而不是research（es）。study of的出現頻率比study on高。相反，research on的搭配比research of多。雖然英、漢母語者對這二詞的選詞與搭配傾向總體一致，但是期刊論文語料庫與學習者語料庫的對比結果表明：英、漢語母語者在搭配用法的頻次上存在顯著差異，漢語母語者使用studV on、research on以及research of這三詞的搭配顯著高于英語母語者（p

頻次與搭配分析結果不言而喻地解決了學生寫作中選詞用語的困惑。CQPweb分析數據呈現出英、漢母語者在語言使用上的差異，揭示出漢語母語者總體上存在對某些語言現象的過度使用或誤用。該分析有利于學生提高其語言敏感性，使其有意識地在選詞用語上接近英語母語者，從而提高語言使用的準確性和適切性，該分析也有利于教師提高教學針對性。

2.分布分析

本研究中的學術英語寫作主要涉及科技英語論文寫作。時態的使用時常困惑著科技論文的寫作者。把握不同時態在科技論文各部分的總體分布，有助于提高時態使用的準確性。現在時與過去時是科技英語論文最常用的兩種時態，這兩種時態在科技論文不同部分的分布情況如何呢？

科技英語論文常用被動語態，作為被動語態標志的be動詞在科技論文中使用頻繁，具有一定的代表性。我們不妨以be動詞的現在時和過去時為例，研究兩種時態在科技論文各部分的分布情況。我們以is和are代表現在時（科技論文中少有be動詞的第一人稱單數形式am），以was和were代表過去時。CQPweb的分布分析功能（distribution）以圖表形式呈現出be動詞的現在時與過去時在論文各部分的分布情況如下：

圖1顯示：be動詞的現在時在討論（DIS）、引言（INT）、結論（CON）部分用得較多，在結果（RES）使用較少，方法部分（MET）使用最少。圖2的顯示結果與圖1互補：be動詞的過去時在方法部分（MET）使用最多，結果部分（RES）次之，在結論（CON）和討論（DIS）部分較少。從DDL教學理念出發，在學生觀察CQPweb提供的數據及圖表之后，教師應引導學生對數據進行討論分析，以便學生自己發現時態使用的規律。討論得出以下結論：時態的使用因論文各部分寫作內容的差異而不同：方法部分主要描述實驗材料的獲取，陳述事件，因而多用過去式；結果部分描述瞬時觀察到的事實與數據，具有時效性，因而多用過去式；結論部分描述對觀察結果提煉后得出的一般規律，因而多用現在時。

傳統教學中，時態的使用規律往往由教師傳授，采用DDL學習方法后，語言使用規律通過學生自己觀察、討論而發現。數據驅動的探究式、發現式的DDL學習方式比教師的生硬灌輸更能發揮學習者的主觀能動性，促使學習者主動探究，有利于語言知識內化吸收。而CQPweb系統平臺為DDL學習提供了便捷條件。

基于HZAU CQPweb的學術英語寫作課程結束后，DDL學習情況的問卷調查結果表明：總體來說，師生對教學中采用CQPweb持積極肯定的態度。師生一致認同：利用CQPweb提供的語料庫資源與工具，進行數據驅動學習，有利于提高教學的針對性和學生的語言意識、促進主動學習和知識內化。但是，HZAUCQPweb的實際應用也表明：初次使用CQPweb的師生普遍認為語料庫檢索操作仍然不夠方便，對詞匯層面以上語言現象的檢索感覺困難。

五、結語

本文概述了新一代網絡語料庫分析系統CQPweb的發展歷程、功能優勢、國內外CQPweb的開發與應用。總體而言，CQPweb在國外發展快，應用廣，在國內處于起步階段，尚需推廣。本文以HZAU CQPweb為例，介紹了CQPweb的建設流程，包括建設的環境條件、技術要求、體系結構、管理權限等。HZAUCQPweb建成后，應用于學術英語寫作教學。應用研究表明，師生普遍認同CQPweb對寫作教學的促進作用，支持基于CQPweb的數據驅動學習方式，同時，用戶也反映CQPweb易用性有待進一步提高。目前，作為新生事物的CQPweb的開發與應用發展迅速，幾乎每月都有新版的CQPweb推出（源自CQPweb系統信息）。國內學者應該實時跟進國外的新發展，同時也嘗試開發一些本土化的分析功能，以滿足國內基于網絡語料庫分析系統的語言教學與研究之需。