基于編輯距離的漢語中介語語音計算分類

于爽 冉啟斌 史晴琳

摘 ?要：借鑒ASJP模式的語檔距離計算方法，對25個母語背景的漢語學習者的中介語語音表現進行分類，并借助統計學和系統發生學方法，繪制漢語普通話與25種中介語距離關系樹圖。這些樹圖均顯示出，母語在同一語系的中介語基本分布在同一總分支上，反映出母語對中介語的形成產生主導影響。同時，樹圖中也存在母語屬于同一語系的中介語分開、或是與其他語系中介語歸入同一小分支的現象。由此看出，不同語系的母語影響大小有一定區別，偏誤共性對距離關系的形成也會產生較大影響。

關鍵詞：漢語中介語;編輯距離;計算分類;ASJP

一、引言

就目前的研究現狀來看，國內學界對漢語作為第二語言學習者的中介語語音研究，方法多種多樣，并取得了豐碩的成果。施光亨通過記錄語音資料的方法，統計出阿拉伯學生在習得漢語時的語音偏誤[1]（P106-112）。傅氏梅、張維佳采用對比聽辨的方法，從聽感和發音能力兩個方面，考察了越南學生中介語中的聲母偏誤[2]（P69-80）。李紅印在研究泰國學生學習漢語的語音偏誤時，借助了實驗語音學的聲學分析方法[3]（P66-71）。梅麗利用一至兩年的跟蹤實驗，對日本學習者學習漢語卷舌聲母的語音變異情況進行了探討[4]（P97-105）。張林軍從感知的角度，采用實驗手段，闡釋了日本留學生的聲調習得情況[5]（P9-15）。冉啟斌、于爽的《漢語語音偏誤的特點與模式——基于25種母語背景學習者的偏誤條目數據的分析》一文，利用528條偏誤條目數據，歸納了第二語言學習者中介語語音中的偏誤特點，如學習者聲母、韻母、聲調在漢語學習中發生偏誤的情形并不是均衡的，學習者個別語音表現受母語影響，會呈現出不同于其他學習者的個性偏誤表現等[6]（P417-432）。

本文以冉啟斌、于爽整理出的各母語背景的偏誤條目為依據[6]，借鑒ASJP模式的語檔距離計算方法，分析不同母語背景學習者的中介語語音之間的距離關系，并對25種母語背景帶有偏誤的漢語中介語語音進行分類，探討影響中介語分類的各種因素。

“相似性自動判斷程序數據庫（Automated Similarity Judgment Program，網址是https：//asjp.clld.org/）”，簡稱“ASJP”，是馬普研究院建立的“跨語言關聯（Cross Linguistic Linked Database）”在線數據庫之一。該數據庫收集了龐大的數據量，其第19版數據庫收錄了世界語言中的9788個語檔，語檔涉及到世界范圍的5499種語言。同時，項目團隊在該數據庫基礎上，發展出一套完備的相似度計算方法，并開放提供計算所需的軟件程序。ASJP模式的語言距離及相似度計算，在世界語言研究中產生了廣泛影響。其中，Wichmann et al探究了不同語系語言的發源地[7]（P50-60）;Holman et al考察了不同語言的分化年代[8]（P841-875）;Müller et al通過對第16版數據庫資源進行距離計算，制作了6895個語檔的世界語言分類樹圖[9]（P1-67）;江荻采用萊文斯坦編輯距離計算的方法，以斯瓦迪士100核心詞為材料，對195種藏緬語族語言或方言進行了自動分類[10]（P62-80）。在漢藏語系研究領域，維希曼、冉啟斌對65個漢語方言語檔做了系統發生學分析[11]（P4-13）;趙志靖、江荻通過計算元、輔音間的距離，再計算編輯距離，從而對數種藏語方言進行了分類[12]（P43-48）。在第二語言習得領域，崔萌等以漢語水平考試（HSK）作為研究對象，通過引入漢語與學習者母語的距離計算，分析了學習者的母語差異對漢語作為第二語言習得的影響，指出語言距離與漢語習得呈負相關關系[13]（P280-288）。總的來說，在目前以多個母語背景學習者的中介語研究中，借助距離計算方法對中介語語音表現進行的分析，還較少有人涉及。

本文首先確定40個能夠典型體現漢語語音特點的詞語，按照冉啟斌、于爽歸納的偏誤條目，對25種母語背景的中介語進行轉寫;然后，利用ASJP工具計算不同中介語之間的距離和相似度，并采用聚類分析、系統發生學分類方法對中介語進行分類。在此基礎上，探討學習者中介語受其母語影響的程度、不同母語背景學習者中介語語音之間的關系。

二、研究設計

（一）研究對象

本文以美國、俄羅斯、韓國、泰國、西班牙、德國、荷蘭、法國、日本、埃及、烏克蘭、哈薩克斯坦、巴西、意大利、土耳其、蒙古、白俄羅斯、芬蘭、尼泊爾、巴基斯坦、尼日利亞、印度尼西亞等22個國家和中國壯族、藏族、維吾爾族3個少數民族的學習者為研究對象，對以上25個母語背景的學習者的中介語語音表現與漢語普通話進行相似度和距離計算。這25個國家或民族的母語語種相應為：英語、俄語、韓語、泰語、西班牙語、德語、荷蘭語、法語、日語、阿拉伯語、烏克蘭語、哈薩克語、巴西葡萄牙語、意大利語、土耳其語、蒙語、白俄羅斯語、芬蘭語、尼泊爾語、烏爾都語、尼日利亞（英語）①、印度尼西亞語、壯語、藏語、維吾爾語等。以上25種語言與語種的情況如表1所示：

以上25個國家或民族分布于世界七大洲中的五個大洲、所涉及母語語種涵蓋了九個主要語系中的六個語系，研究對象的覆蓋范圍較為均勻。以上25種母語背景所形成的漢語中介語，不僅能夠很好地體現出世界漢語學習者中介語的特點，而且對探究學習者母語與中介語的關系也具有較高的學術價值。

（二）中介語語檔的構建

ASJP數據庫以“斯瓦迪士100核心詞”為內容，盡可能多地收集世界上各種語言或方言中不少于斯瓦迪士核心詞表中40個詞的語音形式。這40個詞均是經過檢測和論證得到的、用于距離和相似度計算的最穩定的詞。以往的研究表明，在第二語言學習中，漢語的22個聲母（含零聲母）、39個韻母發生偏誤的情況并不均衡，如聲母和韻母中最易產生偏誤的前5種語音類型是：舌尖后聲母r，舌尖后聲母zh、ch、sh，舌尖元音（-?、-?），復韻母，鼻音韻尾-n、-ng等。因此，根據漢語語音的實際情況，本文單獨設計了能夠典型體現漢語語音特點的中介語詞表。該詞表共包含40個詞語，具體如表2所示：

該詞表的設計主要遵循兩個原則。一是詞表對漢語普通話單念和語流中的語音音位（音素）進行了全方位的覆蓋，它既包括普通話單念時的22個聲母（含零聲母）、39個韻母和4個聲調，也包括語流中的三聲變調、輕聲、兒化、“一、不”的變調等音變現象。二是詞表著重凸顯了二語學習中容易發生的語音偏誤。根據冉啟斌、于爽的研究結論[6]，該詞表包含了更多的舌尖后音聲母、舌尖元音、[er]韻母、前后鼻音、送氣音等，目的是為了更充分地展現學習者中介語之間的特點和差異。

為了構建25個母語背景學習者學習漢語的中介語語檔，本文將上述40個詞語按照冉啟斌、于爽研究中的偏誤條目描述進行國際音標轉寫，使之成為帶有偏誤特征的語音表現。比如，泰國學習者的常見偏誤主要有將舌面擦音x[?]發為[s]、將舌尖后音發為舌尖前音、將送氣塞擦音發為同部位的擦音等，因此，可以將泰國學習者“大學”一詞的國際音標轉寫為[ta su?]，“中秋”一詞的國際音標轉寫為[tsu? ?i?u]。之后，再將帶有學習者偏誤發音的中介語和漢語普通話的國際音標標音形式轉換為ASJP碼的標寫形式，最終形成漢語普通話和25個中介語共26個語檔。

（三）語檔相似度與距離計算方法

我們之所以將26個語檔由國際音標轉換為ASJP碼的標寫方式，是因為它可以使計算得到的語檔距離和相似度更加符合語言之間的實際距離和相似度。語檔轉寫后，使用ASJP的工具軟件，計算各語檔的LDND距離，形成距離矩陣。具體的距離計算方法為“萊文斯坦編輯距離（Levenshtein Distance）”，簡稱“LD”。所謂的“萊文斯坦編輯距離”，就是由一個字符串轉換為另一個字符串所需的最少操作次數。這一計算方法只允許插入、刪除、替換三種操作。ASJP模式的距離計算有不同的方法，如“歸一化萊文斯坦距離（Levenshtein Distance Normalized）”、“歸一化萊文斯坦距離商（Levenshtein Distance Normalized Divided）”等，前者簡稱“LDN”，后者簡稱“LDND”。本文計算語檔之間的距離均采用LDND這一方法。LDND距離計算的公式是：

最后，依據距離矩陣進行計算分類，形成統計學系統聚類樹圖和系統發生學樹圖等。

三、漢語中介語語音的計算和分類

（一）漢語中介語語音的距離與相似度

在形成距離矩陣后，本文首先將25種中介語與漢語普通話的LDND距離數據單獨提取出來，并計算出各中介語與普通話之間的相似度。具體數據如表3所示（為便于觀察，將漢語普通話放在第1行）：

如表3所示，在25種中介語中，藏族學習者的中介語與漢語普通話距離最近，為23.65，兩者的相似度達到了76.35%;而日本學習者的中介語與漢語普通話距離最遠，為63.96，兩者的相似度最低，僅有36.04%。維希曼、冉啟斌曾根據世界語言語檔中語言變體之間的關系層級問題，給出了不同關系層級的參考指標：如果兩種語言的相似度大于50.90%，則屬于相同方言;相似度在50.90%～18.64%之間的，屬于相同語族之間的語言;相似度在18.64%～2.37%之間的，屬于相同語系不同語族之間的語言;低于2.37%的，則屬于不同語系[14]（P126-135）。根據這一參考指標可以看出，藏族、白俄羅斯、尼日利亞等12個民族或國家的學習者的中介語相似度均大于50.90%，若將中介語視作是一種獨立的世界語言，它們的語音表現都接近漢語方言;這其中就包括了母語與漢語在同一語系的藏族、泰國、壯族學習者。而其余13個民族或國家的學習者的中介語相似度，均在50.90% ～18.64%之間，若將中介語視作是一種獨立的世界語言，它們的語音表現都接近于漢語同一語族的語言。同時，從表3還可看出，同樣為英語背景，尼日利亞跟美國學習者的中介語與漢語相似度差別較大，其原因可能是在于我們所收集到的尼日利亞偏誤條目較少、不夠完備，因此，沒有完全體現出尼日利亞學習者的特點。

我們還將以上相似度的數據繪制為折線圖，具體如圖1所示：

從圖1可以看出，25種中介語的下降較為平緩，僅在白俄羅斯、泰國和蒙古處有輕微的陡坡;大部分中介語相似度緊密集中在40%～60%之間。由此可以得知，漢語學習者的語音發音表現較為集中和一致。

（二）漢語中介語語音的聚類分析

我們又采用了SPSS軟件，對26個語檔的距離數據進行分析。這里采取平均聯接（組間）的方法進行系統聚類，其度量標準為平方歐氏距離，從而得到Ward聯接的分類樹狀圖。具體如圖2所示：

從圖2可以看出，該樹狀圖可以分為四大分支。在第一大分支中，漢語普通話正好位于最上端，藏語中介語與漢語普通話處于同一末端節點上，其次是泰語與壯語中介語。與之較近的第二大分支為意大利語、烏爾都語、俄語、法語、白俄羅斯語與尼泊爾語中介語，其中，意大利語與烏爾都語中介語、俄語與法語、白俄羅斯語與尼泊爾語中介語分別在同一末端節點上。其次較遠的第三大分支又被分成兩個分支：一個為土耳其語、蒙語、芬蘭語中介語分支;另一個則為烏克蘭語、巴西葡萄牙語、西班牙語等印歐語系中介語主導（其中的哈薩克語為阿爾泰語系、印尼語為南島語系）的分支。最遠的第四大分支里包括了韓語、日語、美國英語、維吾爾語、阿拉伯語、荷蘭語中介語，它們形成了一個非常特別的組合。

在圖2的基礎上，我們可以對漢語學習者的中介語語音表現進行一個初步分析。

第一，學習者的中介語的語音形成受到自身母語的影響，而且其影響程度較強。總體來看，中介語總的分支分布基本符合其對應母語在世界語言中的語系分布。與漢語普通話在同一末端節點的為母語同是漢藏語系的藏語中介語，而壯語、泰語也同屬漢藏語系，以其為母語背景的中介語也與它們在同一分支。土耳其語與蒙語的中介語分屬在同一末端。同時，第三大分支中除哈薩克和印尼語外，其他中介語均為印歐語系中介語的集合。而日語、韓語語系未定，以其母語為背景的中介語則處于距漢語最遠的一個大的分支中;雖然在地緣上中、日、韓距離非常接近，但并沒有拉近漢語與二者中介語的距離。

第二，雖然學習者中介語語音的形成受到了自身母語的影響，但并未成為影響其語音表現的充分條件。冉啟斌、于爽指出，在學習者中介語中，某些音素會產生一致的偏誤表現，如舌尖后音最易產生的偏誤是發為舌葉音等[6]。因此，漢語學習者的偏誤共性對于中介語的形成也產生了較大影響，母語背景原本屬于不同語系的中介語，可能會由此突破母語的語系分類而歸屬于同一分支內。從圖2可以看出，部分中介語并沒有按照其母語的規律歸入相應語系的分支中，甚至有些語系的中介語散落在不同的分支中，從而形成了與漢語普通話距離遠近不一的情況;或者是雖同屬一個語系、但屬于不同語族的語言，其中介語卻被重組到了同一個末端內。比如，母語同屬于印歐語系，意大利語、法語、烏爾都語等的中介語，就位于漢語最近的一個大分支內;而烏克蘭語、西班牙語、德語等的中介語，位于更遠的分支上;美國英語、荷蘭語則距離漢語最遠。再如，母語同屬于阿爾泰語系，哈薩克語中介語與土耳其語中介語并未進入同一個末端;維吾爾語中介語則更是處在距漢語最遠處的分支中。此外，印歐語系中各語族的語言，其形成的中介語也并未能進入同一個末端，反而是進行了重新組合，如拉丁語族中的意大利語與印度語族中的烏爾都語的中介語位于同一末端，而拉丁語族的另一語言法語則與斯拉夫語族的俄語的中介語位于同一末端等。

四、漢語中介語語音的系統發生學分析

上文主要運用了統計分析的方法，對26個語檔進行了聚類分析;下面，我們將采用分子生物學中的發生學分類法，對漢語中介語語檔進行分類。通常情況下，學習者的中介語之間彼此獨立，不具有發生學關系，不過，本文主要是借鑒發生學的分類方法，為其提供一個分類的參照。筆者使用分子生物學軟件MEGA7（Molecular Evolutionary Genetics Analysis），采用鄰接樹法（Neighbor-Joining Tree），構建26個語檔的分類關系，從而得到有根分類樹圖。具體如圖3所示：

經過發生學分類法繪制的樹形圖，與聚類分析得到的結果大體一致，同時也有一定的區別。最外圍的是美國英語和韓語中介語分支，維吾爾語中介語單獨在一個分支。其次，是日語中介語與荷蘭語中介語相連的分支，這一點與聚類分析的結果有所不同。再次，是含有漢語普通話的一個大分支，這一分支中漢語與藏語中介語仍然在同一分支，與之相接近的是泰語與壯語中介語分支，這些均與聚類分析的結果一致;不過，白俄羅斯語中介語成為單獨一個分支，同歸在這一分支之內，這一點又與聚類分析不同。芬蘭語單獨成為一個分支。接下來的一個分支被分為兩個大組。靠上的一組基本與聚類分析一致：烏克蘭語和巴西葡萄牙語中介語、西班牙語與德語中介語在同一分支，不同的是哈薩克語中介語與蒙語中介語成為了單獨的分支。靠下的一組是與聚類分析分歧最大的部分。這一分支中，最外部的土耳其語成為單獨一個分支，其次是烏爾都語分支，意大利語與其分開成為下一層單獨一個分支，內部是俄語和法語、阿拉伯語與尼泊爾語兩個小分支。

為了能更清晰地顯示26個語檔的分支關系，本文又在MEGA中繪制了放射狀的無根分類樹圖。具體如圖4所示（見下頁）：

在放射狀模式中，各語檔的分支關系更為明顯。圖4中，芬蘭語中介語處在單獨的分支，其余語檔則分為三簇：以漢語為代表的漢藏語系中介語分支（其中也出現了非漢藏語系的白俄羅斯語的中介語），韓語、日語、美國英語等中介語的分支，剩下的語檔則組成的一個大的分支。最后這一大的分支以印歐語系中介語為主導，阿爾泰語系的中介語亦夾雜其間。

由系統發生學鄰接法形成的兩種樹狀圖，再次印證了上文的分析;同時，我們還可以從其與聚類分析的不同之處，發現一些新的特點。

第一，系統發生學樹圖再次印證了學習者的中介語的語音形成受自身母語的影響，但不同語系的影響強弱有一定區別。維吾爾語、蒙語、哈薩克語、土耳其語同屬于阿爾泰語系，但以它們作為母語背景的中介語分別進入了不同分支中，而且它們之間相距較遠。印歐語系中的斯拉夫語族——俄語、烏克蘭語、白俄羅斯語，以其母語為背景的漢語中介語也出現了同樣的狀況。而接近漢語的漢藏語系其他語言、印歐語系除斯拉夫語族的其他語言的中介語，則較為集中。這種現象也可以歸結為印歐語系的語言自身的影響力較大，在一定程度上更容易影響漢語習得。

第二，與母語負遷移相比，地理上的位置遠近對中介語的形成影響較小。雖然藏語、壯語中介語與漢語普通話距離較近，但同樣屬于中國少數民族的維吾爾語中介語則距離漢語較遠，蒙語中介語甚至位于距離漢語最遠的一個大分支內。地緣、文化相近的烏克蘭、白俄羅斯、俄羅斯也有相同的情況。反觀各小分支中，烏克蘭與巴西、尼日利亞與印度尼西亞、荷蘭與日本、美國與韓國，它們甚至不在一個大洲內，但它們學習者的中介語則位于同一分支下。至于出現這一現象的原因，上文亦曾提及，主要是在于這些學習者的中介語內部存在著一定的偏誤共性，如美國與韓國學習者的聲母zh、ch、sh均產生了偏誤，而且其偏誤表現均為“舌葉音[?]、[?]、[?]”。由系統發生學鄰接法形成的兩種樹狀圖也再次印證了這一分析。

五、結語

本文采用ASJP的計算模式和方法，并結合漢語普通話，對25個母語背景的漢語中介語語檔進行了距離計算。通過對統計系統聚類和系統發生學分類進行的分析，進一步深化了對漢語中介語的認識。首先，大部分學習者的中介語水平較為集中，如果將之視作一種獨立的世界語言，可以達到接近漢語方言或與漢語同語族的水平。其次，漢語學習者的自身母語的影響在中介語的形成中起到了主導作用，但不同語系的影響大小有一定區別，如印歐語系母語的影響就比較大。除母語影響之外，漢語學習者的偏誤共性也對中介語的形成產生了一定影響。當然，本文的研究也存在不足之處，部分國家或民族（如尼日利亞）的偏誤條目收集不夠完備，或許會對分析的結果產生一定影響。今后將針對這些國家集中收集學習者實際的語音表現，并通過實驗語音學方法測量，獲得更為完備的偏誤條目，以期完善距離分析計算研究。

參考文獻：

[1]施光亨.對阿拉伯學生進行漢語語音教學的幾個問題[J].語言教學與研究，1980，（2）.

[2]傅氏梅，張維佳.越南留學生的漢語聲母偏誤分析[J].世界漢語教學，2004，（2）.

[3]李紅印.泰國學生漢語學習的語音偏誤[J].世界漢語教學，1995，（2）.

[4]梅麗.日本學習者習得普通話卷舌聲母的語音變異研究[J].世界漢語教學，2005，（1）.

[5]張林軍.日本留學生漢語聲調的范疇化知覺[J].語言教學與研究，2010，（3）.

[6]冉啟斌，于爽.漢語語音偏誤的特點與模式——基于25種母語背景學習者的偏誤條目數據的分析[J].世界漢語教學，2019，（3）.

[7]冉啟斌.基于詞匯聲學距離的語言計算分類實驗[J].民族語文，2020，（3）.

[8]Holman，E.W.，Brown，C.H.，Wichmann，S.et al.Automated Dating of the Worlds Language Families Based on Lexical Similarity[J].Current Anthropology，2011，（6）.

[9]Müller，A.，Velupillai，V.，Wichmann，S.et al.ASJP world language tree of lexical similarity：Version 4 （October 2013）.

[10]江荻.藏緬語譜系的自動分類實驗[A].《中國民族語言學報》編委會.中國民族語言學報（第一輯）[C].北京：商務印書館，2017.

[11]索倫·維希曼，冉啟斌.ASJP模式的漢語方言計算分析——以65個漢語方言語檔為例[J].現代語文，2019，（5）.

[12]趙志靖，江荻.基于編輯距離的語言分類研究[J].語言研究，2020，（6）.

[13]崔萌，張衛國，孫濤.語言距離、母語差異與漢語習得：基于語言經濟學的實證研究[J].世界漢語教學， 2018，（2）.

[14]索倫·維希曼，冉啟斌.語言與方言的區分層級——ASJP模式的核心詞匯距離計算再分析[J].南開語言學刊，2019，（2）.

基金項目：國家社會科學基金重大項目“中國境內語言核心詞匯聲學數據庫及計算研究”（19ZDA300）;南開大學中央高校基本科研業務費項目“數字中文實驗室建設啟動項目”（63202924）

Quantitative Classification on Phonological Transcriptions for Interlanguages：

with Mandarin as Target Language

Yu Shuang1，Ran Qibin2，Shi Qinglin3

（1.School of Foreign Languages， Tian University of Technology and Educaion， Tianjin 300222;

2.School of Literature， Nankai University， Tianjin 300071;

3.School of Foreign Languages， Tianshi College， Tianjin 301700）

Abstract：Drawing on the pholonogical distance calculation method of the ASJP， with the speech performance in the interlanguages of 25 learners with native language backgrounds classified， tree diagrams of the distance relationship between Chinese Mandarin and 25 interlanguages above mentioned are drawn in this paper， using statistical and phylogenetic methods. Several tree diagrams indicate that the interlanguages whose native languages belong to the same language family are largely distributed over the same general branch， reflecting the dominant influence of the native language on the formation of the interlanguage. However， there are also the cases that the interlanguages of the same language family are grouped into the same sub-branch with those of other language families. The analysis reveals that the degree of the native languages influence on the interlanguage differs across language families， and that the commonality of speech errors can have a large impact on the formation of distance relations.

Key words：Chinese interlanguage;edit distance;quantitative classification;ASJP

作者簡介：1.于 ?爽，女，天津職業技術師范大學外國語學院助教，漢語國際教育碩士。

2.冉啟斌，男，南開大學文學院教授，博士生導師，文學博士。

3.史晴琳，女，天津天獅學院外國語學院講師，文學碩士。