定量分析：大數據背景下語言哲學研究方法論

□陳偉

內容提要 大數據時代，在數據驅動下人文社會科學的研究方法在某些領域已發生改變，由定性研究為主轉向定量研究為主，以語言作為研究對象的語言哲學也是如此。定量分析法之所以越來越受到重視，是因為它能夠適應大數據和云計算的需求，可以提高精度以及保證處理結果的準確性和可靠性。語言哲學中定量分析法主要有基于模型技術(計算機模擬、數學模型)的方法，和數據驅動(實驗哲學、語料庫)的方法，這些方法使得語言哲學的研究對象發生轉變，而且為人文社科研究提供新范式，并可對相關研究實踐進行重構。大數據時代背景下，數據已成為比自然語言更加精準、便利、可操作、可計算的科學語言，語言哲學研究也將由此發生數據化的變革。

引言

人類智力的進步可歸結為科技的進步，當今科技的發展以信息技術開發和利用為主要手段，與此同時大數據時代的到來，引發了人類思維模式和科技發展模式的變革。繼第三次工業革命之后，信息化和數據化腳步逐漸加快，自然科學領域中的互聯網、人工智能、人機交互等技術手段都需要有大數據作為支撐，那么人文社會科學研究也相應地發生改變，可謂是面臨著機遇與挑戰。大數據不僅僅是信息技術的創新，從哲學方法論來看，以海量數據匯集、處理與利用的現代化社會必然會引發科學研究對象、范式、方法的轉變。在信息爆炸的時代，人們的生活形式具有海量數據存儲的特點，大數據勢必會為語言認知、自然語言處理帶來巨大變化①。大數據技術為哲學社會科學開啟新的研究領域②。

上個世紀被稱為“分析哲學時代”，由于數理邏輯的應用，認知研究的語言轉向使認知研究語言更加嚴謹、明確，更加符合邏輯規范，并因此開辟了分析哲學、語言哲學等認知研究新領域。但是，經過近一個世紀的發展，語言轉向并沒有實現當初的學術愿景。分析哲學家對形而上學語言的邏輯分析和邏輯重構難以進行，語言哲學家對自然語言的邏輯分析又讓自然語言支離破碎，因此20世紀的語言轉向雖然取得了不少成績，但最后基本上都以逐漸衰落而告終③。以往，哲學分析的一個顯著特征是對定性的研究方法高度依賴，而大數據時代的標志是數據的海量匯集與處理，大量的結構化和非結構化數據無法再用常規的方法和工具處理，需要基于模型和數據驅動的方法才能更加精確無誤地應對。

一、由定性分析到定量分析：語言哲學必要的研究方法

以往哲學分析的一個顯著特征是嚴重依賴定性的方法，即采用自然語言論證的方式，但定性的分析方法無法以現代數理邏輯為工具對特定現象進行分析。如上個世紀以克里普克（Kripke）和劉易斯（Lewis）對模態現實主義的辯護中可以看到，他們的論點完全是定性的，數理工具起不到任何作用，他們的成果二十世紀備受矚目，這種分析法是當時分析哲學的主流。但是，完全依賴于定性的方法對于哲學的發展是不利的。首先，其他學科的常規分析法往往會用數理邏輯為工具，比如語言學、社會學、物理學等，這樣哲學家很難與其他領域的學者進行有意義的對話，哲學就會與其他學科隔離開來，因此人們普遍聲稱的哲學與科學的普遍相關性，在方法論上是孤立的；其次，定性分析以價值判斷為主，多數是根據經驗、觀察、回顧等非量化手段進行分析，具有主觀性較強的特點；再者，以往哲學家對定性研究方法的偏愛似乎與他們所倡導的對分析精度和清晰度的承諾相矛盾，在許多情況下，定性的方法會使哲學話語變得不精確和不可靠，即使不是晦澀難懂也難以處理。當然，這并不是說定性的方法沒有其使用價值，只是在哲學的某些領域確實產生了一些問題。

從庫恩《科學革命的結構》一書自1962年出版以來，科學研究的信息化和數據化腳步逐漸加快，科學研究進入大數據時代（Big Data Era）正在“催生最大的數據變革”④。新技術的出現為人文社會科學開辟新的領域，哲學及相關學科研究方法也在變革。大數據時代的數據挖掘不僅因實用價值越來越重要，而且在方法論上也越來越復雜，涉及的領域越來越寬，因此，正確的方法論是大數據時代所急需的哲學指導⑤。

大數據時代要有大數據思維，處理大量信息的迫切需求促使我們思考計算機如何為承擔這些繁重的任務提供幫助，如信息提取及機器翻譯，計算語言學和自然語言信息處理等相關學科都需要計算機進行信息處理。在大數據背景下，定量的研究方法越來越盛行，這種方法的應用能夠很好地適應數據分析與處理的要求，并可以很好地解決哲學方法論中定性分析方法不足的空缺。定量方法包括各種各樣的工具，從基于模型的技術（數學模型和計算機模擬）到數據驅動的方法（實驗哲學和語料研究）。定量方法具有多樣性的特點，基本都是以數學工具來制定和解決哲學問題的。

語言是信息的主要載體，在大數據浪潮之下語言學研究方法從某種程度上來說正是迎合信息傳遞和運算的需求。在語言學學科領域，旨在探索語言結構和模式的計量語言學已悄然興起，采用定量的統計方法來解釋語言學問題。傳統語言學重在分析特定示例，或利用語言直覺來尋求語言結構的規則，許多情況下通過內省的方法進行語言的研究。與傳統語言學不同的是，定量語言學將語言識別為復雜的自適應系統，利用真實的語言數據并依靠定量方法來探索語言的結構化并不斷發展，簡而言之，它具有準確性、真實性、動態性⑥。傳統的語言學研究成果很少被自然科學所運用，如人工智能處理、大數據分析等，主要原因是缺乏準確性、科學性以及可操作性。定量語言學作為語言學的一個分支，它的分析則是基于一種事實判斷，是建立在實證主義的方法論基礎上的，依照客觀真實的文本數據，分析探索語言的結構并建立模型，從而獲得更全面的信息。這種分析模式與自然科學相似，更有利于智能分析和處理。

以邏輯為工具在語言哲學研究中很常見，但多是基于形式邏輯，這種研究方式在處理有關語言的哲學問題方面有著悠久的傳統。相對而言，基于模型和數據驅動的方法直到最近才在語言哲學中獲得突出地位，這些方法比邏輯推理在大數據時代更加適用，在多數情況下，基于模型和數據驅動的方法可以提高精度，提高結果的準確性和可靠性，并通過與相鄰學科中的有關方法相聯系，推動語言哲學的發展。然而，盡管有諸多益處，但迄今為止尚無任何研究對語言哲學中的定量方法進行全面的處理。我們試圖通過梳理定量研究方法在語言哲學領域的基本路徑和重要意義，為該領域的研究提供方法論上的借鑒。

二、科學模型的建構：以數學和計算模型為工具的定量分析

大數據時代的典型特征是數據的大量匯集，海量信息的捕捉和處理無法用傳統的方法進行，隨著對大數據認識的深化，人們發現大數據具有“七極”的特征，極大、極速、極多、極高、極真、極易變化和極為復雜，除了為人類帶來的效率和效用以外，其極易變化和極為復雜的負面特征也凸顯出來，因此正確的“數據挖掘”（data-mining）至關重要⑦。在語言哲學研究中進行“數據挖掘”具體要使用什么樣的定量工具呢？

模型是目前語言哲學中爭議最小的量化工具，數學模型采用的是數學運算的方式來分析客觀現象與數學對象之間的關系。數學模型在科學研究中無處不在，有豐富的哲學文獻可用于解釋它們的本質，并可用于深入的探討⑧。事實上，哲學家現在經常依靠代數、概率論和微分方程來解決跟語言相關的一些問題。

除數學模型外，計算模型在語言哲學中也相當普遍。計算模型通過將目標系統表示為存儲在內存和算法中的數據包（即更新控制系統行為的規則）來模擬研究的對象。通過在不連續的時間步長中迭代更新，可得出有關系統軌跡和最終狀態的數據，以供進一步處理和分析。基于代理的模型是計算機進行模擬的一種特別普遍的類型，通常是模擬自治或半自治代理之間的交互過程。無論其形式如何，計算機模擬通常是通過闡明過于復雜而無法進行分析處理的內部工作原理，目的是為了補充數學模型。

但這拋開了如何證明在哲學中使用模型的合理性問題。哲學家為什么要訴諸數學和計算模型？在什么條件下應該怎樣做？雖然很難詳盡地回答這些問題，但模型在研究生物和文化進化產生的現象時特別有用。這是因為生物和文化領域變化的主要動因是進化，如選擇和漂移。而充滿定性論證的冗長散文往往難以追蹤其進化過程，而以數學和計算機模型為工具的定量分析則表現出色，這使得數學和計算模型成為極富啟發性的工具，可用于研究傳統上困擾哲學家的各種現象。既然語言是生物和文化進化的產物，那么語言哲學也可以從模型的使用中受益，模型有時會在言語推理失敗的情況下提供良好的結果。在不求助于數學和計算工具的情況下，要追蹤作為交流基礎的理性決策和進化過程將是極其困難的。模型可以提供一般通過口頭推理而無法獲得的結果，可以提高哲學研究的可靠性。

模型的另一個好處在于其精確性。例如，語言哲學中的模型可以設置哪些是應該出現的條件，哪些是不應該出現的，有了明確的規定就可以進行言語處理，否則數量龐雜的言語現象將無法有效地處理。例如，著名的語言哲學家格萊斯（Grice）（1975）提出的對話交流過程中的“合作原則（Cooperative Principle）”，包括“量的準則”“質的準則”“關系準則”“方式準則”。但格萊斯所謂的“合作”到底指的是什么？而溝通的量又需要多少呢？這些問題，格賴斯的口頭論證是無法回答的，但是利用語用學中的數學模型可以很容易地解決⑨。至少可以說，在純粹定性方法的基礎上得出的結論是很難站住腳的，即便是有些語言哲學家為其辯護也很難找到充分的條件。

語言哲學研究中所使用的數學和計算模型，其實都來源于哲學以外的領域。哲學家主要是從經濟學（理性選擇理論）和進化生物學（進化博弈論）等領域借鑒了這些方法，這種跨學科進行研究的方式為語言哲學的研究帶來了生機。

三、研究方法的運用：試驗哲學與語料庫分析法

人類信息化的普及和大數據時代的到來，是新技術革命成功的結果，同時又由此引發了新一輪的技術與方法的變革。數據的運用和處理無疑成為了一系列學科關注的熱點。數據在過去主要是指由數字和計量單位一起構成的對事物量化的描述，在人類對世界的量化認識中起著重要的作用⑩。大數據發展的基石就是數據量的指數增加，無論是數據挖掘、文本處理、自然語言處理還是機器模型的構建，大多都是基于一定量的數據，數據規模達到一定程度，然后采用基于規則的方法或者概率統計學的方法進行模型構建，知識的獲取才更有意義?。

語言哲學家對自然語言或人工語言的功能及結構的分析，以往以調查或觀察為主，如今隨著語言數據的海量匯集，使我們能夠采用與計算機科學密切相關的大數據平臺，如利用計算仿真實驗和語料庫分析等，為語言哲學提供實證研究。語料庫的運用與實驗哲學分析在大數據時代背景下日漸普及開來。德維特（Devitt）指出，語言哲學家應更多地依賴于實際用法的證據，包括語料庫的句子和受控實驗中的句子，來自調查數據的證據顯然是參與者對問題和命題的直觀判斷，而不是實際的語言使用?。為了收集使用真實語言的數據，我們需要訴諸大數據方法。

語言哲學中一種相當常見的定量研究形式是實驗哲學。實驗哲學通常借用人文社會科學，特別是語言學和心理學的方法對指定的對象進行研究。例如，在認識論中，溫伯格（Weinberg）、尼克爾斯（Nichols）和斯蒂克（Stich）依靠實驗數據來論證，關于構成知識的直覺是不可靠的，事實證明它們會隨著理論無關的因素而變化?；在科學哲學中，斯托茨（Stotz），格里菲斯（Griffiths）和奈特（Knight）分析了調查數據，表明生物學家對基因有不同的概念，這取決于他們的專業領域?；在語言哲學中，實驗哲學的一個經典例子是（Machery），馬隆（Mallon），尼克爾斯（Nichols）以及斯蒂克（Stich）對克里普克（Kripke）思想實驗的處理，發現關于參照的判斷在不同文化中呈現出不穩定性?。以上實驗哲學的研究曾引發一場關于是依靠直覺還是依靠試驗數據的激烈辯論。

實驗哲學家沒有自己的方法論，但是他們在研究中借鑒了許多來自社會心理學和認知科學的各種實驗工具和方法。最常用的實驗哲學中的一種方法是問卷調查，用于引起人們對有關問題的直觀判斷。在特定情況下的問題或命題。盡管如此，人們已經意識到調查只是一項可供哲學家使用的實驗性工具，而且仍然有許多不同類型的實驗方法可用于哲學研究。

盡管最近實驗哲學獲得了大量關注，但哲學領域的數據驅動研究不應局限于實驗工作。在哲學領域，語料庫研究依靠語料庫數據來解決哲學家感興趣的問題。

特別是基于語料庫的方法為語言哲學研究提供了一系列幫助，使它們成為實驗工具的重要補充。語料庫僅僅是口語或書面語的樣本，不是在實驗室環境中產生的，而是在特定領域內收集的。與其他形式的數據驅動研究中使用的實驗數據相比，語料庫包含觀察數據。但是，語料庫語言學的研究表明，基于語料庫和實驗數據集的結果有時會出現分歧?。這說明，語料庫研究和實驗技術應該相互補充，以評估和提高結果的準確性和可靠性。

因此，語言哲學家也應該在考慮實驗數據的同時考慮語料庫數據，特別是那些對我們實際語言行為的歸納及相關語料的收集，語料庫形式的觀察數據也應該用于語言哲學理論的建構中。當然，在某些情況下，為哲學領域感興趣的問題去探究具有普遍意義的語料庫是具有挑戰性的。因此，哲學家有時可能更適合研究在實驗室里產生的語言數據?。但如今隨著信息量的增加，大數據技術的介入，在更多情況下，也許可以使用語料庫數據來解決哲學家們長期以來感興趣的問題。

語料庫方法在涉及語言問題時有巨大的潛力。語料庫研究可以為日益廣泛的網絡語言提取、歸納、分析提供依據。針對網絡語言暴力、未成年不良網絡社交行為、低俗言語泛濫、網絡流行語使用不當等現象，以往研究是分析其語義內容得到片面的主觀的結論，雖然相關學者提出很多提議，也用哲學分析的一些方法對照實際語言對其進行評價，但是一些問題始終不能回答。比如，污言穢語如果出自同一個主體，是否每次都會有冒犯性，是否其目標具有一致性？在恰當的語境中使用侮蔑語的頻率有多高？這些雖然是具有哲學意義的問題，但最好使用語料庫數據來解決，因為語料庫研究可以通過對照實際語言用法及用例對這些問題進行精準的評價。

四、大數據背景下定量研究法的意義

在一般科學方法論中，馬克思將“研究方法”與“敘述方法”區別開來，“研究方法”是指科學發現的方法，“敘述方法”是指理論構建的方法。馬克思在研究方法上認為，研究必須充分地占有材料，分析它的各種發展形勢，探尋這些不同形式的內在聯系，只有在這項工作完成后，現實的運動才能適當地敘述出來?。科學發現的方法也就是“研究方法”，務必要靠大量的、充分的、基于事實的資料才能構建出科學的理論，所謂的資料即數據資源。

在大數據和云計算背景下，世界萬物皆可用數據表征，諸如文字、聲音、圖像、語言等等，數據像語言一樣是一種通用的表達工具。數據最基本的分析方法是定量分析，通過定量分析對事物發展的方向、人類的行為、各領域的情況進行總結或預測，得出的結論甚至會超越人類的認知。所以，在大數據時代，我們不必非得知道現象背后的原因，而是要讓數據自己“發聲”?。以數據作為支撐能夠解決以往因為不夠全面精確而帶來的分析不足的短板，由對現象“怎么看”向現象“是什么”轉變，質性研究向量性研究的變化使得人們的認知也能夠更加的真實、客觀。

（一）語言哲學研究對象的轉變

大數據時代的到來產生了一系列的變化，不僅語言哲學研究方法發生變化，研究對象也隨之改變。在布雷斯南（Joan Bresnan）的《語言學的花園與灌木叢》（Linguistics：The Garden and the Bush）一文中?，布雷斯南回憶了她如何從“花園”到“灌木叢”，認為大多數傳統的語言理論本質上背離了社會對語言理論的要求。作為“花園”，包含生成語法的傳統語言學關注的是語言學家通過內省仔細選擇或培養的語言現象，并使用語法樹和短語等符號定性地概括它們。相比之下，“灌木叢”又稱“田野語言學”，它關注的是人們在日常交流中實際使用的語言，以條件概率和信息內容為基礎進行定量分析。從“花園”到“灌木叢”的轉變，其實意味著研究對象發生了變化（范圍由微觀到宏觀），研究方法（定量方法）和性質（形而上到實用主義）也發生變化。

語言是信息的主要載體，對它的研究在信息化時代應同時滿足人機需求。自然語言處理需要轉化為語言數據。一般來說，科學研究涉及抽象建模。模型的特征代表了被建模對象的可觀察屬性。通過利用抽象創建的模型和模型所代表的內容，以一種間接的方式解釋現實世界。因此，理論的構建依賴于模型和現實之間的對應關系，從一個忽略本質和不能反映真實色彩的模型中得出的結論是很難應用到實際的。

大數據是一項工具，定量研究是一種方法，這種工具和方法既可以處理形式語言也可以處理自然語言，而以往分析方法只能處理自然語言。語言學研究模式發生變化，那么為迎合實際需求，語言哲學也要迎接信息時代的重大轉變。

（二）人文社科研究的新范式

知識的發現和證明是哲學認識論中兩個重要階段。在大數據時代，用定量的方法對已有知識進行重新整合并論證，可以使已有結果更加可靠，或會產生新的發現。語言哲學基本的研究方式是用邏輯方法對相關語言材料進行分析，今后語言哲學關注的焦點將是語言數據的發現和證明。

大數據時代的到來，對于人文社科領域可謂是充滿了機遇。將原有語言文本轉化成數據，用量化的方法進行統計分析。比如在文學領域，小說文本電子化、電子檔案的普及、大型數據庫建設完備和跨庫檢索、智能分析技術發展完善后，文學研究具備了宏觀研究的必要條件。比如對于《紅樓夢》成書過程的研究：公認的說法是前80回由曹雪芹著，后40回由高鶚續寫的說法。后來通過數據分析發現結果并非如此，并否定了之前的說法。原因是人的認識具有主觀性，即便是知名學者也難免會陷入誤區。窮盡式的大數據語言風格定量分析，能夠精準的把握作者的言語模式，因此能夠有新的發現。

實驗哲學研究表明靠人類直覺獲得的概念是不可靠的，無論是自然科學還是人文社會科學靠實驗的方法來論證更為可靠。莫萊蒂（Moretti）于2010年成立的斯坦福文學實驗室，就是將文學文本數據化后再進行量化分析的典范。這種對待文學研究有如對待一般科學研究的處理方式，對于文學領域來說是一個挑戰。通過從歷史傳統和文學研究的內在需求來看，基于數理邏輯與數據實證的文藝研究方法具有合理性，把審美特性與科學邏輯相結合，帶來革命性的轉折。由此引發了一些新的學科提法，如“統計文藝學”“計量文學”等。將人文學科與數理邏輯、語料庫分析等相結合，用定量分析的方式進行分析，普及開來后將會產生革命性的變革。

數據轉向是大勢所趨，研究范式隨之改變。與人類社會相關的如社會學、新聞與傳播學、教育學、法學、經管類等實用性較強的社會學科更為適用。大數據時代讓一切看似不可能解決的問題有了解決的可能，在對哲學意義的追問中更為系統、形象。

（三）重構研究實踐

第一，緩解定性和定量兩種不同取向的研究范式。在邏輯實證主義（Logical positivism）的鼎盛時期，艾耶爾（Ayer）認為哲學應該只關心語言和邏輯的事實在那個時期大部分的爭論一直圍繞著認知狀態先驗和后驗方法，以及推理和依靠感覺經驗的方法。一直以來仍有學者堅持觀念推理在哲學話語中起著重要的作用。例如，比勒（Bealer）認為哲學中的先驗直覺不僅獨立于科學中的經驗工作，而且具有更大的認識價值但其他人強烈反對這種觀點，因為在很大程度上忽視了定量研究方法在處理相關問題時的重要性。最近的一個例子是馬歇瑞（Machery），他認為來自思維實驗的先驗直覺是不可靠的，因為思維實驗得出的結論過于牽強和理想化。關于定性觀念理念和定量工具理念的爭論在語言哲學及其他領域持續了半個多世紀。

然而，目前的研究實踐表明，定性和定量分析是哲學研究方法中不同的研究方式。比如當研究語言哲學中語言意義演變的進化現象時，用到動態模型和計算機模擬，這種情況下需要定量處理；當通過海量規模的樣本數據，直接能夠發現語言規律或現象，既不用檢測變量又可避免樣本偏差時，直接定性處理就可以。以大數據為背景的研究，可以說是使定性和定量研究范式發生了轉變，在兩者之間出現了交叉的地帶。大數據海量的數據規模和全新的數據特征使得定量研究與定性研究在資料獲得與分析方法方面逐步走向趨同，這在某種程度上緩解甚至重構了定量研究與定性研究間的關系。

第二，大數據背景下的定量分析能夠優化變量測量。定量分析方法的一個重要價值體現在與大數據的結合。以往利用小數據對變量進行定量分析往往是管中窺豹缺乏說服力。在大數據驅動下，可以極大范圍地鞏固語料庫，使語料庫的完備程度達到空前的高度，在這種情況下再進行歷時和共時兩個維度的定量分析，使變量得以優化，并能產生意想不到的效應。

隨著觀測范圍的擴大，重新利用定量測量方法對已有的研究進行二次分析，比如某個研究對象的變化趨勢、形成的路徑等。雖然對于傳統研究進行用這種方式回爐重造的不多，但是大數據背景下的定量分析為人文社科領域的研究提供新的維度。

第三，定量分析能夠使展示方式更加精確、生動。面對海量數據構成的結果，不同的人有不同的展示方法，如何簡單有效地展示也是一項務必要完成的工作。最為常用的是數據可視化技術，其實是知識的一種再生產方式。研究者用定量分析的得出結論，以圖形、時間序列、地圖、流、矩陣、網絡、層次和信息圖形為基本元素，把要表達的內容進行匯集組合，進而將較為宏大的理論或觀念簡潔明了地解釋出來。

五、余論

哲學在古代集中探討“世界是什么”，這種關于本體論的思考由于缺乏合適的認識工具，跟不上自然科學的快速發展，所以哲學一直沒能夠有長足的進步。后來自然科學找到了自己的科學語言工具，而哲學卻缺乏自己獨特的表述工具因而只能用多義的自然語言，因此，20世紀初的哲學家們終于找到了哲學停步不前的問題癥結是語言工具問題21世紀隨著信息技術的發展，出現了大數據和云計算，促進了自然科學和人文社會科學的融合發展，傳統研究理念及方法受到巨大的沖擊。

定量分析法雖然在自然科學領域由來已久，但在語言哲學研究中尚未啟動，通過分析得知定量分析法在大數據背景下的語言哲學研究中具有很大潛力。以往的研究表明，語言哲學家根據實際需要有時會建立模型和分析數據，語言哲學不應該被視為一門完全依賴定性方法的學科。語言哲學可以從定量方法中獲益，實驗和行為哲學為此提供了重要的見解。基于語料庫的方法在處理關于語言的哲學問題時，可以繞過一些實驗和行為協議固有的限制，數學和計算模型可以為研究具有哲學意義的進化現象提供一個有價值的視角，如涉及語言行為的研究。但當涉及到解決這些問題時，應該考慮使用定量和定性兼顧的方法。這些考慮不僅對語言哲學的方法論產生了影響，而且對哲學的其他幾個分支學科也會產生影響。

在移動互聯網、超級計算、人工智能、腦科學等新理論及新技術大步向前的今天，大數據驅動下的語言信息處理也在加速發展，深刻影響人類社會經濟形勢和科技進步。利用恰當的工具和方法去分析海量數據資源并從中受益，對于多學科多領域的學者來說充滿了挑戰和機遇。語言哲學的研究也將因此發生數據化的變革。

注釋：

①Agerri，R.，et al.Big data for Natural Language Processing：A streaming approach，Knowledge-Based Systems，2015，79（5）.

②Iacus S M.，Big Data and Social Science-A Practical Guide to Methods and Tools，Journal of statistical software，2017，78（Book Review 2）.

③陳波、江怡：《分析哲學：回顧與反省（上卷）》，中國人民大學出版社2018年版，第20頁。

④涂子沛：《大數據：正在到來的數據革命》，廣西師范大學出版社2013年版，第285頁。

⑤杜世洪：《大數據時代的語言哲學研究——從概念變化到范式轉變》，《外語學刊》2017年第6期。

⑥Liu H T，Lin Y N，University Z，et al，Methodology and Trends of Linguistic Research in the Era of Big Data，Journal of Xinjiang Normal University（Edition of Philosophy and Social Sciences），2018.

⑦Changqing JI，Yu LI，Qiu W，et al，Big Data Processing：Big Challenges And Opportunities，Journal of Interconnection Networks，2012，13.

⑧Weisberg M，Simulation and Similarity：Using Models to Understand the World，Oxford Studies in the Philosophy of Science，2013.

⑨參見Huttegger，S.M.，Skyrms，B.，Smead，R.，Zollman，K.J.，Evolutionary dynamics of Lewis signaling games：Signaling systems vs.partial pooling，Synthese，2010，172（1）.

?羅剛、張子憲：《自然語言處理原理與技術實現》，電子工業出版社2016年版，第173～174頁。

?Devitt，M.，Linguistic Intuitions Are Not“The Voice Of Competence”，in Matthew Haug，eds.，Philosophical Methodology：The Armchair or the Laboratory?London：Routledge，2014，p.268.

?Weinberg，J.M.，Nichols，S.，Stich，S.，Normativity and epistemic intuitions，Philosophical Topics，2001，29（1/2）.

?Stotz，K.，Griffiths，P.E.，Knight，R.，How biologists conceptualize genes：an empirical study，Studies in History and Philosophy of Science Part C：Studies in History and Philosophy of Biological and Biomedical Sciences，2004，35（4）.

?Machery，E.，Mallon，R.，Nichols，S.，Stich，S.P.，Semantics，cross-cultural style，Cognition，2004，92（3）.

?Arppe，A.，J?rvikivi，J.，Every method counts：Combining corpus-based and experimental evidence in the study of Synonymy，Corpus Linguistics and Linguistic Theory，2007，3（2）.

?Devitt，M.，Testing theories of reference，in J.Haukioja（Ed.），Advances in experimental philosophy of language，London and New York：Bloomsburry，2015，pp.31～63.

?馬克思：《資本論》第1卷，人民出版社2004版，第21～22頁。

?維克托·邁爾-舍恩伯格，肯尼思·庫克耶：《大數據時代：生活，工作與思維的大變革》，盛楊燕，周濤譯，浙江人民出版社2013年版。

?Bresnan，J.，Linguistics：The Garden and the Bush.，Computational Linguistics，2016，42（4）.