交替?zhèn)髯g課堂測試流利板塊得分的影響變量對比

劉雨鳳

(四川大學 外國語學院，四川 成都 61000)

內容完整度、表達流利度、語言質量是評估學生口譯表現(xiàn)的重要指標。其中，流利度難把捏，主觀性強，歷來是學者們的重點研究對象。在評價口譯表現(xiàn)時，對流利度的考量有時遠超對語言質量的考量。比如，Altman認為學生譯員和職業(yè)口譯員的最大區(qū)別是流利度的區(qū)別；[1]26Pio認為“流利度”和“意義傳達”平分秋色。[2]69二語習得的專家們把流利度分為語速、停頓和自我修正，如Chehr Azad, Farrokhi & Zohrabi等。[3]隨后口譯研究也延用了該類別的區(qū)分。然而，盡管許多研究者預測：語速、停頓和自我修正等變量都能影響口譯學生流利度的得分，如Riccardic、Mead、Tissi、Han，[4-7]且已有研究者通過實證研究表明停頓與口譯流利度板塊的得分顯著相關如Cecot、Mead、Pradas Macías、Tohyama & Matsubara、Tissi，[6-11]然而目前還未有實證研究表明自我修正對學生口譯考試的流利度得分有著和停頓同等程度的影響。

據此，本研究采取定量和定性結合的辦法，收集某高校翻譯專業(yè)大四學生《交替?zhèn)髯g》課上的考試音頻，對音頻材料進行轉寫、分析，借助SPSS軟件得出相關系數，探討自我修正是否與停頓相同，與口譯流利度得分之間存在顯著相關性。最后，通過調查問卷，驗證并解釋SPSS得出的定量數據。本研究的一大優(yōu)勢是，兩種變量的相關數據均在同一真實的環(huán)境中收集，具有很強的可比性并減少了相關誤差。

一、相關研究回顧

事實上，如前所述對流利度的研究并非先發(fā)于口譯領域，而是心理學領域，如Oleron & Nanpon及二語習得領域， 如Lennon、Kormos & Denes、Lautamus、Nerbonne & Wiersma、張文忠。[12-16]20世紀50年代伊始，口譯研究才得以萌發(fā)，但關于流利度的探索一直貫穿口譯研究的發(fā)展，從早期的Goldman-Eisler、Gerver、Kirchhoff到21世紀的Yagi、Cecot、Pio、Mead、Pradas Macías、Bakti、Yin、Han。[17-22]筆者對這些研究進行了大致的梳理，按照相關變量、口譯模式、口譯語種及方向、研究環(huán)境、受試進行分類。其中，自我修正包括開口錯誤、替換、重組；停頓包括有聲停頓和無聲停頓。

表1 相關文獻分類

從上述分類圖表中可以看出，前人的研究主要關注同聲傳譯中的停頓變量，且研究方法多為語言實驗；有關漢語的口譯研究也多是英譯漢或者漢譯英的單向研究；受試多為職業(yè)譯員，而非學生譯員。據此，本研究關注對象為學生譯員，考慮他們在英漢、漢英交替?zhèn)髯g中的表現(xiàn)，探究自我修正與他們的口譯得分之間是否存在顯著關聯(lián)性。本研究中自我修正變量包括三個小變量：每分鐘錯誤開口數量(the number of false start per min，即NFS(pm))、每分鐘替換數量(the number of replacement per min，即NRepl (pm))、每分鐘重組數量(the number of reformulation per min，即NRefo (pm))。停頓變量包括四個小變量：每分鐘有聲停頓數量(the number of filled pause per min，即NFP (pm))、每分鐘無聲停頓數量(the number of unfilled pause per min，即NUP (pm))、有聲停頓平均時長( mean length of filled pause ，即MLFP)、無聲停頓平均時長(mean length of unfilled pause，即MLUP)。最后包括流利度得分(Fluency of delivery ratings，即FluDel ratings)變量。

口譯研究中中自我修正的研究相對較少，相關定義也較單一，對該術語進行定義的口譯領域研究者主要包括Tissi，[6]Pio，[2]Han。[7]盡管像Fox Tree等二語習得領域的研究者也曾研究過自我修正，[27]但這里不進行贅述。錯誤開口被“定義為說話者在沒有完成一句完整的表達前又開始了一個新的句子，Tissi[6]被Pio定義為：“口譯員在翻譯一句話的最開始打斷自己，然后又重組語言”。[2]77替換和重組被Tissi合并為“結構重組(restructuring)”，[6]114包括：1)“更正說話者的說話內容，包括一個短語、詞語甚至一個詞語的部分”；2)“說話者決定用另一種語言結構表達他原本想要表達的意思”，分別對應替換和重組。韓潮也對替換和重組作了區(qū)分，[7]認為重組沒有改變譯者想要表達的含義，而替換相反。這些定義均適用于本研究，以下為例子(均取自于本研究中的真實素材)：

表2 英漢交替?zhèn)髯g中自我修正統(tǒng)計樣本

表3 漢英交替?zhèn)髯g中自我修正統(tǒng)計樣本

(注：鑒于研究目的，“重復”不在考慮范圍內，且錯誤開口的數量=替換數量+重組數量。)

關于停頓的分類略有不同。其中，語言學領域中，關于停頓的定義最充分、研究最豐富。

表4 語言學領域中關于停頓的研究分類

可見，語言學領域中，停頓主要為fillers和silence，又稱vocalized fillers和silent pauses。口譯領域中稱為filled pause和unfilled pause或者silence(Maclay & Osgood )。[37]本研究沿用口譯領域的術語名稱，稱其為有聲停頓(filled pause)和無聲停頓(unfilled pause)。有聲停頓定義為英文中的“uh” “um” “en” “e” (Miller & Hewgill；[33]Clark & Fox Tree[34])，以及中文中的“嗯”、“呃”等出現(xiàn)在句子中無語言意義的發(fā)聲。而關于無聲停頓，語言學領域并未詳細介紹其長度標準，口譯領域中主要的長度標準為大于等于0.2秒、0.25秒和0.3秒。本研究以0.25秒為標準，任何大于等于0.25秒的“無聲區(qū)”即為一個停頓。

表5 口譯領域中關于無聲停頓長度的標準表

歸納起來，NFS (pm)=錯誤開口數量/口譯時長(秒)＊60；NRepl (pm)=替換數量/口譯時長(秒)＊60；NRefo (pm)=重組數量/口譯時長(秒)＊60；NFP (pm)=有聲停頓數量/口譯時長(秒)＊60；NUP (pm)=無聲停頓數量/口譯時長(秒)＊60；MLFP=有聲停頓總時長(秒)/有聲停頓的數量；無聲停頓平均時長(MLUP)=無聲停頓總時長(秒)/無聲停頓的數量。FluDel ratings=流利板塊評分人員評分總和/評分人員數量。

二、研究問題

本文探討的是自我修正、停頓與口譯流利板塊得分之間的關系，力圖用實證研究說明自我修正在口譯評分中的地位，回答“口譯評分中，自我修正是否與停頓享有同等影響力”這一問題。據此，本文有以下六個具體研究問題：

問題一:英漢交替?zhèn)髯g中NFS (pm)、NRepl (pm)、NRefo (pm)與FluDel ratings是否存在顯著相關關系？

問題二:英漢交替?zhèn)髯g中NFP (pm)、NUP (pm)、MLFP、MLUP與FluDel ratings是否與前人研究得出的結果相同，與FluDel ratings呈顯著負相關？

問題三: 上述兩種關系是否存在不同，為什么？

問題四:漢英交替?zhèn)髯g中NFS (pm)、NRepl (pm)、NRefo (pm)與FluDel ratings是否存在顯著相關關系？

問題五:漢英交替?zhèn)髯g中NFP (pm)、NUP (pm)、MLFP、MLUP與FluDel ratings存在顯著相關關系嗎？

問題六:上述兩種關系是否存在不同，為什么？

三、研究設計

本研究的受試是某高校《交替?zhèn)髯g》課上的26名大四學生，包括23名女生和3名男生，平均年齡21歲，母語為漢語，英語為第二語言。26名學生至少有一年的口譯課經驗，其中15名同學已有CATTI三級口譯資格證書。

評分人員包含兩名口譯教師、四名助教(已有CATTI二級口譯資格證書，從該校MTI口譯專業(yè)畢業(yè)的研究生，目前已從事口譯員工作一年零六個月)，其中兩名男性，四名女性。漢語為母語，英語為第二語言。兩名口譯教師平均年齡35歲，四名助教平均年齡26歲。他們互相熟絡，有利于開展討論。他們將對每一位同學的口譯表現(xiàn)根據評分表進行評分，最終評分結果取平均值。

《交替?zhèn)髯g》課第一周，任課教師向全班學生說明考試要求，并借用韓潮的口譯評分表，[7]向學生解釋將會按照該評分表對每位同學的口譯表現(xiàn)打分。評分表主要包含三個模塊：內容完整性(completeness of contents)、表達流利度(fluency of delivery)和目標語質量(target language quality)，本研究不考慮內容完整性和目標語質量，只考慮表達流利度，其評分細則如下(Han[7])：

表6 流利板塊評分細則

在評分前，口譯老師對評分人員進行一次培訓。同時，每位評分人員獲得一張評分表，口譯老師詳細解釋評分表，其它評分人員提出問題進行討論，統(tǒng)一標準。每位評分人員先獨立完成評分，最后一起討論。評分過程盡量保證標準統(tǒng)一，減少誤差。評分人員分別對內容完整性、表達流利度和目標語質量進行打分，每位同學的最終口譯得分取三部分得分的平均值。但鑒于研究目的，此處只取表達流利度得分的平均值作為每位同學的流利度得分。

本次口譯測試的英文材料含250詞，即430個音節(jié)，主題為日益增長的中國貿易；中文材料含400詞，主題為中國的旅游業(yè)。中英文材料均由口譯老師提前錄制。兩段材料之間間隔15分鐘，以供考生休息。每段材料分為兩到三個小節(jié)進行播放。考試采用New Class系統(tǒng)，同時錄入原聲道和學生聲道。

首先，運用Cool Edit Pro 2.0對音頻進行編輯。去掉原聲道，只留下譯語聲道，同時去掉小節(jié)之間的空白。第二步，對音頻進行轉寫。轉寫要求精確，口譯中出現(xiàn)的一切情況都需記錄，包括呼吸聲、有意咳嗽和未完成的音節(jié)。第三步，利用Cool Edit Pro 2.0計算音頻總時長(秒)、找出所有無聲停頓和有聲停頓，要求記錄停頓開始時間和持續(xù)時長(秒)，將其總數和每個停頓的長度(秒)統(tǒng)計在Microsoft Excel中。第四步，對轉寫材料進行錯誤開口、替換、重組的統(tǒng)計。將所有的數據統(tǒng)計到表格中后，用公式算出NFS (pm)，NRepl (pm), NRefo (pm), NFP (pm), NUP (pm), MLFP, MLFP。根據6名評分人員的打分表算出每位同學表達流利度部分的平均分作為FluDel ratings。最后，核查轉寫材料和數據。

筆者在得出NFS (pm), NRepl (pm), NRefo (pm), NFP (pm), NUP (pm), MLFP, MLFP的數值后做了如下工作：1)算出平均值(mean)和標準差(standard deviation)；2)運用IBM SPSS Statistics 21算出變量之間的相關系數；3)通過相關系數分析參數之間的兩兩關聯(lián)性；4)對比自我修正、停頓與評分之間的相關程度；5)解釋差異的原因和意義。本研究主要參看皮爾森相關系數數值，進行分析。顯著水平ρ值小于0.05說明相關性顯著，小于0.01說明相關性異常顯著。相關系數r小于0，說明兩者呈正相關；小于0，呈負相關；等于0，不相關。

四、研究結果

本研究得出各變量個方向的描述性數據如表7、表8，相關性矩陣如表9、表10、表11、表12。表7和表8中的平均值和標準差均由Excel表算出。從表中可以看出，英漢交替?zhèn)髯g中NFS(pm)、NRepl(pm)、NUP (pm)、NFP (pm)的標準差較大，說明學生關于這四種變量的個體差異相對較大；NRfor(pm)、MLUP、MLFP、FluDel ratings標準差數值較小，說明數據之間差異不大。漢英交替?zhèn)髯g中情況類似，NFS(pm)、NRepl(pm)、NUP (pm)、NFP (pm)的標準差較大，說明學生關于這四種變量的個體差異相對較大；NRfor(pm)、MLUP、MLFP、FluDel ratings標準差數值較小，說明數據之間差異不大。其中，NUP (pm)、NFP (pm)標準差數值最大，且多出其它數值一半，因此這兩個變量不如MLFP、MLUP平穩(wěn)，驗證了加入MLFP和MLUP的科學性。

表7 NFS(pm), NRepl(pm), NRefo(pm) , FluDel ratings的描述性數據

方向數據/數值NFS(pm)NRepl(pm)NRefo(pm)FluDel ratings英-漢平均值2.852.450.413.56標準差1.571.260.541.15漢-英平均值4.324.110.022.96標準差3.403.270.441.13

表8 NUP(pm),MLUP NFP(pm), MLFP, FluDel ratings描述性數據

方向數據/數值NUP(pm)MLUPNFP(pm)MLFPFluDel ratings英-漢平均值21.180.783.250.243.56標準差4.570.234.090.201.15漢-英平均值24.860.913.540.242.96標準差3.200.284.780.321.13

表9 NFS(pm), NRepl(pm), NRfor(pm)和FluDel ratings相關矩陣(英-漢)

NFS(pm)NRepl(pm)NRfor(pm)FluDel ratingsNFS(pm)1.956**.729**-.074.000.000.71826262626NRepl(pm).956**1.500**-.050.000.009.80926262626NRfor(pm).729**.500**1-.089.000.009.66726262626

表10 NUP(pm), MLUP, NFP(pm), MLFP和FluDel ratings (英-漢)

No_UP_per_min_0.25sMean_length_UP_0.25sNo_FP_per_min_0;25sMean_length_FP_0.25sFluDel_rat-ingsNo_UP_per_min_0.25s1-.161-.074.189.046.433.719.356.8252626262626Mean_length_UP_0.25s-.1611.078-.116-.631**.433.706.572.0012626262626No_FP_per_min-.074.0781.573**-.493*.719.706.002.0112626262626Mean_length_FP.189-.116.573**1-.279.356.572.002.1682626262626

(注：**p<0.01,*p<0.05)

表9和表10展示了英漢交替?zhèn)髯g中自我修正與口譯流利度評分、停頓與口譯流利度評分的相關系數r和顯著水平ρ。NFS(pm)和FluDel ratings之間的r (25) = -0.074, ρ > 0.05； NRepl(pm)和FluDel ratings之間的 r (25) = -0.050, ρ > 0.05，NRor(pm)和FluDel ratings之間的r (25) = -0.089, ρ > 0.05，說明兩兩之間盡管略微負相關，但是相關性并不顯著。NUP(pm)和FluDel ratings之間的r (25) = 0.46, ρ > 0.05； MLUP和FluDel ratings之間的r (25) = -0.631, ρ =0.01；NFP(pm)和FluDel ratings r (25) = -0.493, ρ < 0.05且趨近0.01；MLFP和FleDel ratings之間的r (25) = -0.279, ρ > 0.05。這說明在英漢交替?zhèn)髯g中自我修正并非與停頓一樣，在口譯得分中起著顯著的負相關作用。相反，自我修正與口譯得分之間并無任何顯著相關關系，但數據再次印證無聲停頓的長短以及有聲停頓的個數對口譯流利度的得分起著決定性的作用，無聲停頓越長或有聲停頓越多，得分就越低(Mead 2000; Cecot 2001; Pradas Macías 2006; Tohyama & Matsubara 2006, etc.)。

表11 NFS(pm), NRepl(pm), NRfor(pm)和FluDel ratings相關矩陣(漢-英)

NFS(pm)NRepl(pm)NRfor(pm)FluDel ratingsNFS(pm)1.992**.361-.312.000.070.12126262626NRepl(pm).992**1.241-.343.000.236.08626262626NRfor(pm).361.2411.124.070.236.54726262626

表12 NUP(pm), MLUP, NFP(pm), MLFP and FluDel ratings相關矩陣(漢-英)

No_UP_per_min_0.25sMean_length_UP_0.25sNo_FP_per_min_0;25sMean_length_FP_0.25sFluDel_ratingsNo_UP_per_min_0.25s1-.712**.353-.201.218.000.076.324.2862626262626Mean_length_UP_0.25s-.712**1-.456*.062-.544**.000.019.763.0042626262626No_FP_per_min.353-.456*10.368-0.243.076.019.064.2312626262626Mean_length_FP-.201.0620.3681-.289.324.763.064.1532626262626

表11和12展示了漢英交替?zhèn)髯g中自我修正與口譯流利度評分、停頓與口譯流利度評分的相關系數r和顯著水平ρ。NFS(pm)和FluDel ratings之間的r (25) = -0.312, ρ > 0.05； NRepl(pm)和FluDel ratings之間的 r (25) = -0.343, ρ > 0.05，NRor(pm)和FluDel ratings之間的r (25) = 0.124, ρ > 0.05，說明自我修正與口譯得分之間無顯著相關關系。NUP(pm)和FluDel ratings之間的r (25) = 0.218, ρ > 0.05；MLUP和FluDel ratings之間的r (25) = -0.544, ρ < 0.05；NFP(pm)和FluDel ratings r (25) = -0.243, ρ > 0.05；MLFP和FleDel ratings之間的r (25) = -0.289, ρ > 0.05。這說明在英漢交替?zhèn)髯g中，自我修正并非與停頓一樣，在口譯得分中起著顯著的負相關作用。相反，自我修正與口譯得分之間并無任何顯著相關關系，但數據再次印證無聲停頓的長短對口譯流利度的得分起著決定性的作用，無聲停頓越長，得分就越低。然而，漢英交替?zhèn)髯g中，每分鐘有聲停頓的數量卻與口譯得分沒有顯著相關性，這與英漢交替?zhèn)髯g有所不同。

五、SPSS數據補充

利用SPSS得出的數據表明，學生英漢漢英交替?zhèn)髯g中的流利度得分與每分鐘錯誤開口數量、每分鐘替換數量、每分鐘重組數量無顯著相關性，這與部分研究者(Riccardic；[4]Mead；[5]Tissi；[6]Han等[41])的預測并不符合，也脫離口譯課師生的一般看法，即自我修正和停頓一樣，能對口譯得分造成顯著影響。同時，結果也再次證實英漢漢英交替?zhèn)髯g中無聲停頓的平均時長對口譯得分有顯著的負相關關系；盡管在英漢交替?zhèn)髯g中每分鐘有聲停頓的數量與口譯流利度得分呈顯著負相關關系，但是在漢英交替?zhèn)髯g中，兩者無顯著關系，這也與一般認知有所不同。因此，本研究決定再次向評分人員做問卷調查，收集相關數據，力圖摸清緣由。

圖1 評分人員評分過程中遵從評分表的程度

問卷共有8道題目，其中5道選擇題，3道開放式問答題。做問卷時，所有評分人員均未獲得SPSS得出的數據。問卷結果表明6名評分人員均嚴格遵從評分表細則對學生的口譯表現(xiàn)進行打分(如圖1)。圖2和圖3表明，6名評分人員均認為英漢漢英交替?zhèn)髯g中每分鐘錯誤開口數量，每分鐘替換數量、每分鐘重組數量、每分鐘無聲停頓數量、每分鐘有聲停頓數量、無聲停頓平均時長、有聲停頓平均時長均會影響學生的口譯得分。而圖4表明，2名評分人員認為前三種變量的影響程度更深，4名評分人員認為后四種變量的影響程度更甚，分別約占總人數的33.33%和66.7%。

圖2 自我修正是否影響口譯得分

圖3 停頓是否影響口譯得分

圖4 自我修正和停頓誰的影響程度更大

在開放式問答題中的答案中，兩名評分人員認為，自我修正對口譯得分的影響更甚的原因是，學生譯員不斷改口將影響譯語內容的整體理解，而確保評分人員對內容的理解是重中之重。但剩余四名評分人員表示，無聲停頓造成多次譯語空白將大大降低評分人員對學生譯者的好感度，且無聲停頓和有聲停頓數量多便意味著錯誤開口、替換、重組的數量也多，因此停頓的影響程度更甚。

六、結 語

通過對比SPSS算出的各變量的相關系數，筆者發(fā)現(xiàn)自我修正并未如部分研究者預測一般，和停頓相同，對口譯得分起著關鍵的反向作用。相反，無論是英漢還是漢英的交替?zhèn)髯g中，自我修正與學生譯員的口譯得分之間并不存在顯著相關關系。在確保實驗設計、數據無誤后，筆者再次利用問卷調查，對6名評分人員進行了調查。問卷結果表明，6名評分人員均表示自我修正和停頓都能對口譯得分產生影響，且其中4名評分人員認為停頓的影響程度更甚于自我修正的影響程度，原因是無聲停頓造成的大段空白最能拉低評分人員對學生譯員的好感度，且停頓越多、越長，越可能導致錯誤開口、替換、重組的發(fā)生。而盡管自我修正一定程度上影響譯文的整體流暢度，但在評分過程中并無顯著相關性。據此，口譯教師在評分過程中是否應該繼續(xù)堅持該評分原則，還是應該做出調整，對自我修正引起一定重視，這是一個嚴峻的問題，因為課堂教師的打分會對學生的學習起反波作用。若是教師打分比實際培養(yǎng)目標更寬松，那么是否會一定程度影響學生的學習呢？這仍需進行更深層次的研究。此外，任課教師及其他助理教師盡管在問卷調查中的態(tài)度觀點與SPSS實際得出的相關系數明顯不同，這一定程度上說明單一的定性研究不盡可靠。未來的口譯研究趨勢一如韓潮所說，將是定性和定量結合。[42]

但本研究仍存在局限：1)只有26名被試者，數量不夠大且性別分布并不平衡；2)所有被試者來自同一學校同一班級，不能代表全國不同高校學生的情況；3)盡管評分人員均宣稱嚴格遵從評分表進行打分，但仍然可能存在較大的差異。上訴局限在實際操作過程中難以完全杜絕，尤其是口譯相對筆譯還需要進行大量的轉寫工作，耗時巨大。但假以時日，若能建成一個全面而大型的高校口譯考試語料庫，那么得出更具有概括性的結論將不再是“黃粱一夢”。