應急語言服務視角下的新冠肺炎醫學英語專題術語表開發

李龍興 王憲

摘 要：新型冠狀病毒肺炎在全球的迅速蔓延，讓我們深刻意識到突發公共衛生危機中應急醫療和社會治理之外，應急知識和語言服務的重要性。以詞表開發和術語管理等形式提供的術語支援是應急語言服務的一種重要方式和途徑，是保障精確溝通、順暢傳播的必要條件。文章從應急語言服務視角出發，利用Sketch Engine語料庫工具，從COVID-19語料庫中提取出364條新冠肺炎英語單詞術語和176條多詞術語，以期助力于新冠疫情的防控。從本次新冠肺炎專題詞表的開發實踐中，文章總結出以目的為導向的學術詞表制作流程，并提出學術詞表的后續研究方向，為應急語言服務中的術語支援提供參考。

關鍵詞：應急語言服務;新冠肺炎;醫學英語;術語表;語料庫

中圖分類號：H083;K826.2文獻標識碼：ADOI：10.3969/j.issn.1673-8578.2021.02.005

The Development of COVID-19 Word List from the Perspective of Emergency Language Services//LI Longxing，WANG Xian

Abstract： The COVID-19 pandemic around the globe made us acutely aware of the importance of emergency language services in public health emergencies. Terminology support provided in the form of word list development and terminology management is an important way of emergency language services， which ensures accurate and smooth communication. In order to help prevent and control the pandemic from the perspective of emergency language services， 364 single-word terms and 176 multi-word terms of COVID-19 are extracted from the COVID-19 corpus using the corpus tool of Sketch Engine. From the practice of producing this word list， we summarize a procedure of academic word list development and point out future directions for academic word list making and research in the hope of providing reference for terminology support in emergency language services.

Keywords：emergency language services; COVID-19; English for Medical Purposes; word list; corpus

引言

2019年年底突發的新冠疫情讓我們深感突發公共衛生事件中應急服務的重要性。抗疫期間，關于應急語言服務的實踐和理論研究都大為增加，在教育部語信司的指導下，以國家語委科研機構為骨干的語言學界及相關行業火速推出《抗擊疫情湖北方言通》和《疫情防控外語通》，為抗擊疫情的醫護人員及相關群體提供語言應急服務，該領域的研究內涵也大為豐富。比如疫情防控中的醫患溝通、疾病命名、多語言信息發布、抗疫語言翻譯服務、新聞宣傳用語、謠言防控等[1]。王立非等梳理了應急語言服務的概念、研究現狀與機制體制建設[2];滕延江從應急語言服務視角出發，明確了應急語言服務的學科屬性，提出應急語言服務研究的十大研究課題與三個研究范式[3]。

以詞表開發和術語管理等形式提供的術語支援是應急救災管理中語言應急的主要方式和途徑之一，清晰、一致的術語是快速溝通、順暢交流的必要條件，尤其是在生命受到威脅時更為關鍵[4]。陶源、趙浩在應急語言能力視角下討論了新型冠狀病毒及新型冠狀病毒肺炎的術語命名問題[5];葉其松從術語學角度對新型冠狀病毒命名進行了探索和思考[6];殷健以新冠術語為例，從國家文化安全視角探討了術語的命名、翻譯與傳播[7];曾江霞以新冠病毒相關術語翻譯為例，對多模態大數據語境下的科技術語翻譯標準進行了分析[8]。目前，對新冠肺炎醫學術語詞表的制作和研發的探討相對較少，現有詞表還不夠完善，制作方法和流程不夠透明。因此本文在梳理借鑒以往學術詞表制作的經驗基礎上，從語言應急角度出發，基于Sketch Engine平臺COVID-19醫學語料庫探索專題術語表的制作及其在應急醫療語言服務等方面的應用，以期助力疫情防控。

1 學術詞表

1.1 詞表研究

詞匯是理解的一個主要前提條件和影響因素[9]，在語言學習和應用中起著舉足輕重的作用，詞匯學習的廣度和深度還對寫作的準確性和質量有直接影響[10]。為了服務英語詞匯的教與學，West較早開發了通用英語詞表（General Service List， GSL） [11]，列出了英語中常用的2000個詞族（word family）。學術英語詞匯是詞匯學習的難點[12]，在學術英語學習中占有重要地位，開發各類英語詞表也成為學術英語研究的重要任務和熱點問題[13]。Coxhead基于350萬詞的人文、商業、法律、科學四個領域的學術文本語料庫開發出學術單詞表 （Academic Word List， AWL） [14]，共包含570 個詞族。AWL排除了通用英語詞表GSL中的詞匯，采用了詞族的方式，沒有對單詞詞形進行還原（lemmatisation），也沒有進行詞性標注。AWL詞表的出現激發了大量后續研究和諸多學科的學術英語詞表開發，是當代影響最為廣泛的學術英語詞表。Gardner 和 Davies基于120多萬詞的當代美國英語語料庫（COCA），采用全新方法開發了學術詞匯表（Academic Vocabulary List， AVL） [15]，包含 3015 個學術英語單詞。AVL未將通用英語詞表中的高頻詞排除在外，而是通過頻次比率（ratio）的方法，要求收錄單詞在學術文本中的頻次是其在非學術文本中的1.5倍，以保證收錄的單詞是真正的高頻學術詞匯。考慮到有些高頻詞在通用英語與學術英語中的詞義可能完全不同，AVL沒有采用詞族方法收錄詞匯，對所有單詞進行了還原處理和詞性標注。

1.2 醫學詞表研究

醫學詞匯的難度和重要性使得醫學英語詞表成了學術英語詞表研究的一個重要分支。Wang等從109萬詞的醫學論文語料庫中提取開發了醫學英語學術詞表（Medical Academic Word List，MAWL） [16]，共收錄623個詞族。Lei 和 Liu大致采用AVL的方法，利用270萬詞的醫學學術英語語料庫和350萬詞的醫學英語教科書語料庫開發了醫學英語詞匯表（Medical Academic Vocabulary List， MAVL） [17]。與 MAWL不同的是，MAVL設置了最低頻次標準（minimum frequency），即收錄在 MAVL 的單詞頻次至少為28.57次每百萬詞（PMWs），以確保收錄的單詞為高頻詞。MAVL比MAWL更短，但覆蓋的醫學英語詞匯卻更廣。Lei 和 Liu在編寫MAVL的研究啟示中提到，醫學這一大學科還有很多細分的領域，未來的研究可以考察醫學具體某個領域中的詞匯使用，并制作特定專業領域的醫學詞表[17]。如Hsu基于中醫英語教材語料庫開發了中醫英語學術詞表[18]。

總體而言，當前學術詞表的開發和研究還存在以下主要問題或爭議。第一，在詞匯收錄形式上存在爭議，包括對詞族、詞形還原和詞性標注的選擇。多數學術詞表以詞族形式收錄，經過歸納后的詞表看似規模較小，但實際單詞量并不少。比如AWL表面看只有570 個詞族，實際上包含了 3100 多個不同詞形的單詞。并且同一個詞族的詞匯意義可能并不一致，詞性和同形（音）異義詞等情況也沒有考慮，這會導致學術詞表選詞不全或不準確，從而降低詞表的信度和效度[19]。第二，在學術詞表與通用詞表的關系上，即學術詞表在排除還是保留通用詞匯高頻詞方面有較多爭議。通用高頻詞匯與學術詞匯會有交叉，難以將二者明確區分。一律排除通用詞匯表的詞匯會使一些具有特殊學術意義的詞匯不被收錄;若保留又會使詞表稍顯冗長（如AVL 包含 3015 個學術英語單詞），或收入大量簡單的與通用英語重合的詞匯（如MAVL收錄的819個醫學英語單詞中含有313個GSL中的通用英語詞匯，如ability、age、care、cause、change、high），從而使得學科專業性和針對性被削弱。第三，上述各類詞表的研究大多是對單詞詞表的研究，對多詞表達的研究較少，學術詞匯的多詞表達研究也較為缺乏。有少數學者進行了學術英語多詞表達的研究，并呼吁未來進行更多學術語言多詞表達的研究[20-22]。

由于上述問題的存在，雖然已有上述多種學術英語詞表或醫學英語詞表可供選擇，但在COVID-19應急醫療服務中針對性不強，使用效率不高。英語作為醫學國際交流和研究通用語，我們有必要快速開發出專業的、針對性強的COVID-19專題英語術語表，為世界各地抗疫一線的科研工作者和相關工作人員節約寶貴時間，助力疫情防控和新冠肺炎相關研究，以便在與新冠病毒的賽跑中挽救更多生命。語料庫工具Sketch Engine的關鍵詞功能在提取術語和多詞表達上作用強大，能同時解決上述三個問題。下文將探索新冠肺炎學術英語術語表（COVID-19 Word List） 制作的工具、語料來源、流程、應用及啟示。

2 語料庫工具Sketch Engine及COVID-19醫學語料庫

2.1 語料庫工具Sketch Engine

詞匯速描系統是第四代語料庫檢索工具的代表[23-24]，實現了語料庫在線檢索并提供以下核心功能：詞匯速描（word sketch），詞匯差異速描（word sketch difference），類義詞（thesaurus），索引行（concordance），詞表（wordlist），關鍵詞（keywords），多詞表達（n-grams/multiword expressions， MWEs）等（圖1）。該系統已被廣泛用于詞典學、語言研究與教學、語篇分析、翻譯研究等領域[25]，也是關鍵詞研究[26]和詞匯語義研究[27-28]的有力工具。下面將主要介紹在制作詞表或術語表中常用到的關鍵詞功能。

過去的學術詞表制作通常先從學術語料庫中提取高頻詞，再對比通用詞表進行篩選。Sketch Engine的關鍵詞功能則是通過一次性比較兩個語料庫找出一個語料庫相對于另一個語料庫的獨特或典型的詞匯，通過這些詞可以了解該語料庫的內容或主題，因此該功能尤其適用于尋找關鍵詞或提取術語。參照語料庫的選擇可以決定提取出的備選詞匯與專題的相關性。以制作COVID-19專題詞表為例，若以通用英語語料庫作為參照，則詞表可能會出現大量通用醫學常用語，與專題的直接相關性沒有以醫學英語語料庫作為參照得到的詞表強。而選擇Sketch Engine中的其他醫學語料庫做參照，能提高COVID-19醫學詞表的針對性和應急性，減少詞表使用者可能已知的大量通用醫學詞匯。關鍵詞的術語提取功能對聚焦語料庫（focus corpus）的規模要求不高，但規模越大的語料庫覆蓋的術語更多[29]，參照語料庫（reference corpus）的規模則是越大越好[30]。Sketch Engine平臺的COVID-19語料庫和其他醫學語料庫的規模足以滿足本專題詞表制作的要求。

關鍵詞功能的檢索結果分為keywords和terms兩部分。keywords是在聚焦語料庫中出現頻率高于參照語料庫的單詞詞條（single word items） ，可根據需要選擇以詞元（lemma）或單詞（word）等形式顯示，并可區分大小寫;terms是在聚焦語料庫中出現頻率高于參照語料庫的多詞詞條（N-grams/MWEs）。也就是說關鍵詞功能可根據研究者需要選擇詞匯的展示形式，并同時實現單詞術語和多詞術語的提取，解決詞表制作耗時低效、多詞術語制作難度高成果少的問題。由此可見，Sketch Engine是一款非常適用于在緊急情況下提供應急術語服務的語料庫工具。第4部分將詳細介紹Sketch Engine用于COVID-19學術英語單詞術語表和多詞術語表的制作。

2.2 醫學語料庫

1）醫學語料庫建設應用現狀

雖然近年來各類語料庫的建設、應用和研究如火如荼，但是醫學語料庫資源依然相對欠缺。國內最近的醫學語料庫建設成果主要有馮欣等建立的MedAca醫學學術英語語料庫[31]，作為學術英語語料庫（Database for English for Academic Purposes）的醫學子庫，文本來自2012至2017年間在臨床醫學領域的國際學術期刊上發表的優秀論文全文及其摘要，共計5 041 631個形符（tokens）;而李文和楊炳鈞建立的現代醫學英語書面語語料庫規模僅有約 200 萬詞，文本時間為2000年以后[32]。大部分醫學語料庫規模較小，缺乏統一的建設規范和標準，部分語料庫語料來源較為陳舊，無法反映日新月異的醫學研究，難以體現醫學英語的全貌。

2）COVID-19醫學語料庫

COVID-19語料庫文本來自COVID-19開源研究數據庫（COVID-19 Open Research Dataset， CORD-19）。該數據庫旨在支持與新冠肺炎相關的研究工作，由經同行評議的論文組成，并隨著新研究的發表而不斷更新，反映新冠肺炎防治的最新科學進展。截至2020年5月2日，該數據庫收錄了大約57 000篇新冠肺炎相關的學術論文，是新冠肺炎研究寶貴的一手資料。該語料庫在Sketch Engine語料庫平臺上供開放使用，可訪問http：//ske.li/covid_19進行語料庫檢索及相關研究。該語料庫規模龐大，總詞數為224 061 570，形符數為280 762 172，按照論文的不同部分劃分為摘要庫、附件庫和正文庫三個子語料庫，其規模和構成如表1所示。

3）參照語料庫：Open Access Journals-Medicine

提取COVID-19語料庫中的關鍵詞需要一個參照語料庫。為了增強所提取備選術語的專業性和相關性，本文將在Sketch Engine平臺的Open Access Journals（DOAJ）語料庫下建立醫學子語料庫（DOAJ-Medicine）作為參照。DOAJ由各個領域的開源期刊論文構成，涵蓋領域包括科學、技術、醫學、社會科學、人文科學等。該語料庫有規模大、時效性強、元信息豐富等特點，總共26億詞，其中約99%的文本發表年份在2000至2017年之間，保留了包括期刊名稱、國別、發表年份、出版社等豐富的元信息，便于根據不同需要創建子語料庫。DOAJ-Medicine語料庫總形符數175 136 014，約占整個語料庫的5.2%。COVID-19語料庫和DOAJ-Medicine語料庫均為上億詞級的語料庫，并且還在不斷擴充，在醫學語料庫中規模位居世界前列。兩個語料庫語料時效性強，可在同一平臺進行檢索操作，具有很強的可比性和可參照性，是制作詞表的理想語料庫。

3 COVID-19術語表制作

3.1 術語表制作的目的和原則

如前文所述，我們制作術語表的目的是提供應急語言服務，特別是服務在抗疫前線的醫護人員、研究人員、醫學師生、外宣、媒體等相關人員，滿足其閱讀文獻資料、撰寫學術論文、教學研究或宣傳報道等需求。該詞表的大部分受眾是有一定專業醫學知識和醫學英語基礎或較高文化水平的專業人士。根據該目的，我們制定了入選術語表的兩個基本原則：一為實現入選術語在相關文獻中有較高的覆蓋率，入選術語必須是COVID-19研究中的高頻詞;二為提高詞表的專業度，減少詞條數量，減輕使用者負擔，入選術語需在滿足高頻的前提下與主題有較強的相關性。

3.2 語料庫檢索方案和詞條收錄標準

在兩條原則的指導下，我們制定出具體的檢索方案，設定術語的收錄篩選標準。首先需要確定術語的來源語料庫。如前文提到COVID-19語料庫分為摘要庫、附件庫和正文庫三個子語料庫。摘要是對一篇論文精練的總結概括，與主題相關性最強，涵蓋了一篇論文最核心的關鍵詞匯，選擇摘要庫作為聚焦語料庫可使檢索出的備選詞條更具相關性，減少人工篩選的工作量。摘要庫6 946 594個形符的規模也遠遠超過前文提及的大部分醫學語料庫全庫，可以保證相當數量的術語產生。先后用COVID-19全庫、摘要庫和正文庫嘗試檢索后的結果也證實摘要庫提取的術語與主題相關性最強。結合Sketch Engine的功能特征，我們在關鍵詞功能中檢索備選術語時進行了如圖2的設置。首先從COVID-19語料庫中選擇摘要子庫（only abstract），“focus on”的設置保持系統默認值1（該設置偏向rare，即檢索的詞將聚焦在通用語言或參照語料庫中罕有或較少使用的詞匯，該設置更適用于術語提取），最小頻率設置為10，隨后選擇“at least one alphanumeric”，即檢索的詞匯短語中至少含有一個字母或數字，例如16-year-old，3D。兩個術語表的參照語料庫均為DOAJ醫學子語料庫，最大候選詞項數均設置為2000，單詞術語以lemma形式顯示。

通過檢索得出的兩個詞表中各有2000個備選詞條，將檢索結果保存為Excel表格。圖3展示出關鍵性值（keyness score）位于前10位的備選單詞術語詞條。我們在對詞條進行瀏覽觀察以后，根據相對頻率（relative frequency）和關鍵性值兩個數值進行一輪自動篩除，然后在第二輪進行逐條閱讀人工篩除。就收錄術語的相對頻率最低值而言，單詞和多詞表達有所不同。Coxhead在制作AWL時，限定入選詞匯須在其350萬詞的語料庫中出現100 次或以上（即28.57 PMWs） [14]。Lei 和 Liu亦沿用了這一最低頻率標準，收錄到MAVL的單詞頻率至少為28.57次每百萬詞[17]。對多詞表達而言，前人采用的最低出現頻率各不相同，從10到40次每百萬詞不等[21]。Biber、Johansson、Leech等[33]，Simpson-Vlach 和Ellis[20]使用10次每百萬詞; Biber 和Conrad[34]，Hyland[35]，Liu[21]選擇20次每百萬詞;Biber、Conrad和Cortes [36]則采用了40次每百萬詞的標準。基于上述研究及對備選術語的觀察，本文采用的收錄術語最低頻率標準是：單詞28.57次每百萬詞以上，多詞表達20次每百萬詞以上。初步滿足這一標準的單詞術語有586條（關鍵性值介于3.61～523.09），多詞術語有232條（關鍵性值介于3.38～227.58）。

關鍵性值是Sketch Engine用于判斷某個詞條在聚焦語料庫相對于參照語料庫的特別性的一個數值，起到的作用相當于Gardner和 Davies開發AVL時使用的收錄單詞標準中的頻次比率[15]。關鍵性值越高表明該詞在聚焦語料庫中越突出，因此更能反映聚焦語料庫的特征或者更有可能是術語。至于選擇哪一個關鍵性值作為入選術語的標準，目前罕有研究或者沒有統一標準。結合本文術語表的目的，考慮到術語表應有的適度規模，本文決定采用的標準為：單詞術語的關鍵性值大于5，多詞術語的關鍵性值大于3.5。滿足上述最低頻次標準和關鍵性值兩個標準的備選單詞術語和多詞術語分別有448條和230條。

接下來第二道程序是對備選詞條逐一進行人工檢查，排除語料庫工具自動識別產生的少量錯誤和無關詞匯。篩選整理術語時遵循以下原則：（1）無關詞匯直接排除。比如full text出現頻率約46 PMWs，關鍵性值為16.6，但是通常出現在Publisher/Free Full Text中，指論文全文，是與doi、publisher、copyright holder、biorxiv preprint等類似的論文出版相關詞匯，與主題無關。另外，由于部分論文摘要以法語寫成，或者有法語翻譯，因此一些高頻法語詞如une、dans、des、est等也出現在備選詞表中，需排除。（2）與COVID-19相關，但是廣為人知或專業性不強，如地名（China、 Chinese、 Korea、 Wuhan、 Taiwan、 Saudi Arabia、 Singapore、 Beijing）或其他簡單的普通名詞（background、 entry、 winter、 threat、 disaster、 re-use、 tourism、 traveler）等，也進行相應排除。（3）多詞表達中部分因短語識別和分割等錯誤形成的詞條需要排除，如i interferon、syndrome virus。（4）在備選多詞表達中會有長短不一、部分重疊的短語，在收入術語表時會根據醫學常識排除一部分，收錄最常見的術語作為主體，并用括號表示其他必要的形式，在詞表排序時以主體術語的頻率計算。比如respiratory syndrome、 acute respiratory syndrome、 severe acute respiratory syndrome、 severe acute respiratory syndrome coronavirus、 acute respiratory syndrome coronavirus等形式在備選詞表中均有出現，在正式術語表中會以severe acute respiratory syndrome （coronavirus）的形式出現，并按228.6 PMWs的頻率排序。（5）不確定的詞條通過Sketch Engine檢索結果頁面的索引行查看詞條在聚焦語料庫中的上下文，并以權威醫學詞典作為參照并咨詢醫學專業人士，確定為COVID-19相關的醫學術語才收錄。

3.3 COVID-19術語表

經過上述步驟篩除、整理并參考醫學專業人士意見，COVID-19術語表制作便完成了。成形的COVID-19術語表分為兩部分，其中單詞術語表含364個單詞，多詞術語表含176個多詞表達，分別呈現在表2和表3中，并按照詞頻高低分為三個等級。MAVL中包含的ability、 age、 change、 high、 number等常見的或醫學特征不明顯的詞匯很少或幾乎沒有被收錄到COVID-19專題術語表內。詞條的精簡使得術語表使用者能專注于與主題高關聯度的術語學習和應用，節約時間，符合應急語言服務講求效率的要求。當然，本術語表也未將個別簡單的通用英語詞匯排除在外，比如常見的bat、 pig、 cat、 dog等，因為該動物類詞匯與病毒的起源、傳播和影響可能有極大關聯，若這些詞匯被排除，為保持標準的一致性，則次常見的calf、 camel、 cattle、 poultry、 ferret、 wildlife、 livestock、 macaque等表示動物的詞匯也可能被排除在外，無法客觀反映事實。

備選術語表到正式術語表的單詞和多詞術語的人工篩除率分別為18.75%和23.48%。備選多詞術語篩除率稍高是因為有部分自動切分錯誤的短語和部分重疊的詞條。相比其他語料庫詞表制作方式，Sketch Engine更高效，人工干預更少。與前文提到的通用英語、學術英語和學科術語詞表開發相比，Sketch Engine開發的專題術語表更具有針對性，更適用于應急語言服務，是可靠的術語挖掘和應急術語服務工具。

4 結語

詞表的開發始終需要考慮使用者的需求和詞表的目的以確定收詞的詞頻范圍和針對性。沒有能滿足所有需求、適用于所有用途的詞表。本文以新冠疫情防控中的應急語言服務為出發點，明確了對COVID-19術語表的需求及本術語表的制作目的，確定詞表制作的原則和方案，使用Sketch Engine語料庫工具及其豐富的醫學語料庫資源高效地完成了新冠肺炎學術英語詞表的制作。在此次詞表制作實踐基礎上，我們總結出以目的為導向的詞表制作流程，該流程包括五個步驟：（1）分析使用需求以確定詞表目的;（2）根據目的決定詞表制作的原則;（3）根據原則指導制定可操作的詞條篩選的量化和質化標準;（4）參考相關領域專業人士意見，檢驗和修正詞表;（5）公布詞表。后續的詞表開發可以以此流程為指引，使詞表制作流程標準化、規范化，如開發COVID-19高頻醫學縮略語詞表，并提供縮略語的全稱及釋義等作為本詞表的補充，為世界各地醫護工作者和其他相關人士提供全面的新冠肺炎英文詞表支援服務。此外，詞表的應用反饋以及修訂完善等后續工作還需要持續關注。與各學科領域專業人士和詞表使用者在術語表的開發、應用與研究方面的合作還需加強，以便對專題詞表的實際使用情況進行調查，對使用效果進行評價，在此基礎上不斷對詞表進行完善和修訂，為未來其他詞表的開發制作提供借鑒。

[19] 馬蓉. 學術詞匯研究四十五年[J]. 現代外語， 2017 （3）：420-428，439.

[20] SIMPSON-VLACH R，ELLIS N. An academic formulas list： New methods in phraseology research [J]. Applied Linguistics， 2010 （31）： 487-512.

[21] LIU D. The most frequently-used multi-word constructions in academic written English： A multi-corpus study [J]. English for Specific Purposes， 2012 （1）： 25-35.

[22] COXHEAD A，DANG T N Y， MUKAI S. Single and multi-word unit vocabulary in university tutorials and laboratories： Evidence from corpora and textbooks [J]. Journal of English for Academic Purposes， 2017 （30）： 66-78.

[23] KILGARRIFF A， RYCHLY′ P， SMRZ P， et al. THE SKETCH ENGINE[C]//Proceedings of the Eleventh EURALEX International Congress ， 2004.

[24] KILGARRIFF A， BAISA V，BUTA J， et al. The Sketch Engine： ten years on [J]. Lexicography，2014（1）：7-36.

[25] 葛曉華. Sketch Engine的核心功能和應用前景[J].外語電化教學， 2017 （4）：23-30.

[26] LI L， DONG S， WANG V X. Gaige and Reform： A Chinese-English Comparative Keywords Study [C]//SU Q， ZHAN W （eds.）. From Minimal Contrast to Meaning Construct： Corpus-based， Near Synonym Driven Approaches to Chinese Lexical Semantics. Singapore： Springer， 2020： 321-332.

[27] LI L， HUANG C R，GAO X. A SkE-Assisted Comparison of Three “Prestige” Near Synonyms in Chinese [C]//HONG J F，SU Q，WU J S （eds.）. Chinese Lexical Semantics 19th Workshop. Cham： Springer， 2018： 256-266.

[28] LI L， HUANG C R，WANG V X. Lexical competition and change： A corpus-assisted investigation of gambling and gaming in the past centuries[J]. SAGE Open， 2020， 10（3）.

[29] KILGARRIFF A， JAKUBEK M， KOV V， et al. Finding terms in corpora for many languages with the Sketch Engine [J]. EACL 2014.

[30] HORK A， RYCHLY′ P，RAMBOUSEK A（eds.）. Proceedings of Recent Advances in Slavonic Natural Language Processing [C].RASLAN 2016：135-141.

[31] 馮欣，吳菁菁，齊暉，等. MedAca醫學學術英語語料庫的創建[J].語料庫語言學， 2017 （2）：107-113，116.

[32] 李文，楊炳鈞. 現代醫學英語書面語語料庫建設及其意義[J].外語教學， 2018 （5）：26-30.

[33] BIBER D， JOHANSSON S， LEECH G， et al. Longman Grammar of Spoken and Written English [M]. London： Longman， 1999.

[34] BIBER D，CONRAD S. Lexical bundles in conversation and academic prose [C]//HASSELGARD H， OKSFJELL S（eds.）. Out of Corpora： Studies in Honor of Stig Johansson. Amsterdam： Rodopi， 1999： 181-190.

[35] HYLAND K. As can be seen： Lexical bundles and disciplinary variation [J]. English for Specific Purposes， 2008 （27）： 4-21.

[36] BIBER D， CONRAD S，CORTES V. If you look at： Lexical bundles in university teaching and textbooks [J]. Applied Linguistics， 2004 （25）： 371-405.

[37] NATION I S P， WEBB S. Researching and Analyzing Vocabulary [M]. Boston， MA： Heinle， 2011.

作者簡介：

李龍興（1986—），男，澳門理工學院講師，澳門大學博士候選人。曾赴新加坡南洋理工大學（2014—2015）和香港理工大學（導師黃居仁教授）訪學（2017—2018）。主要研究方向涉及語料庫語言學、翻譯學、詞匯語義學和話語研究。在Sage Open、System、International Journal of Bilingual Education and Bilingualism、Language and Education等SSCI期刊發表文章和書評4篇，另有數篇文章發表于《外語與翻譯》等期刊，為Springer出版社撰寫專書章節。通信方式：yb67707@um.edu.mo。

王憲（1970—），男，澳門大學英文系副教授，昆士蘭大學應用語言學博士（2006），NAATI翻譯員。 研究興趣為跨語言語用學、基于語料庫的對比語言研究以及翻譯中的話語和語用研究。文章發表于Sage Open、Target、Journal of Language、Literature and Culture以及TESOL相關期刊，為Springer、Routledge和Brill等出版社撰寫專書章節，專著《中國英語學習者的請求研究》由John Benjamins出版。近期主要研究利用大數據和語料庫語言學方法考察語言特征、話語以及在新冠肺炎疫情等社會事件中概念隱喻的使用。通信方式：vxwang@um.edu.mo。