歷時追蹤性英語學習者語料庫的建設研究

柴 能

(安順學院外國語學院，貴州 安順561000)

一、英語學習者語料庫的建設現狀

語料庫(corpus)是指以電子文本形式收集和存儲的語言材料，可以通過計算機進行標注、檢索和分析，為研究語言使用規律提供重要的語料基礎。現代信息技術的發展極大地促進了語料庫的研究，出現了各種專門用途的語料庫。英語學習者語料庫收集英語學習者的語言輸出材料，是研究英語中介語(interlanguage)[1]特點的重要數據。通過定量分析大量的英語中介語語料，可以對英語學習機制有更深刻的理解。

英語學習者語料庫在過去30年里迅速發展，目前國外已建成的主要的英語學習者語料庫有：1.國際學習者英語語料庫(International Corpus of Learner English，ICLE)[2],由比利時Louvain大學Granger于1990年建立，現已更新到第3版,容量2,000,000詞，語料來自世界各地大學英語學習者的書面材料，是影響力最大的英語學習者語料庫；2.USE語料庫，由瑞典Uppsala大學于1999年建成，容量1,000,000詞，語料來源于瑞典高校的英語學習者的書面材料；3.劍橋學習者語料庫(Cambridge Learner Corpus，CLC)，容量20,000,000詞，語料來自不同母語的學習者參加劍橋大學英語考試的作文；4.朗文學習者語料庫(Longman Learner Corpus, LLC)，容量20,000,000詞，語料來自世界各地不同母語背景和水平的英語學習者的作文。

國內英語學習者語料庫的建設幾乎同時開始，目前已建成的主要的學習者語料庫包括：1.中國學習者英語語料庫(Chinese Learner English Corpus, CLEC)[3]，1999年建成，容量1,000,000萬詞，語料來源于英語四、六級考試的作文以及部分中學生的英語測試作文；2.中國大學生英語口語語料庫(College English Learners' Spoken English Corpus, COLSEC)[4]，容量720,000萬詞,語料來源于2000-2004年全國大學英語考試的錄音；3.中國學生英語口筆語語料庫1.0[5]& 2.0[6](Spoken and Written English Corpus of Chinese Learners, SWECCL)，容量二百多萬詞，語料來源于1996-2007年大學英語考試的口試錄音和作文；4.中國學生萬篇英語作文語料庫(Ten-thousand English Compositions of Chinese Learners，TECCL)[7]，2015年建成，語料涵蓋了大學、中學、小學三個階段，寫作類型包括課內限時寫作、課后作業、期中和期末考試寫作、課堂講稿、小組合作寫作等多種類型；5.iWritebaby Chinese Learner English 語料庫[8]，2019年建成,語料取自iWrite英語在線寫作系統的英語作文，容量八百多萬詞。

二、建設歷時追蹤性學習者語料庫的必要性

隨著現代信息技術的飛速發展，國內外英語學習者語料庫的規模不斷擴大，但各類專業語料庫的建設仍需進一步探索。以上所述的英語學習者語料庫都是對不同學習者語料的一次性采集(大部分是基于英語考試的命題作文)，缺乏對同一學習者的持續追蹤，因而無法體現出英語學習者的語言發展特點。

何安平認為，因為信息技術的發展，建設大容量的語料庫已不再困難，我們更應該關注怎么建立特色語料庫[9]。Granger指出,在學習者語料庫的發展方向上，我們未來應該更關注歷時語料庫方面的研究[10]。王立非也認為，為了描述中介語的發展過程，有必要建立歷時性學習者語料庫[11]。然而，由于難以追蹤和收集大量學習者語料，國內外對歷時追蹤性學習者語料庫的建設極少，目前僅有個別的發展性語料庫。例如，Housen開發的“青少年學習者中介語語料庫”收集了部分歐洲國家小學生不同階段的英語語料[12]；李文忠構建了“學習者電子檔案語料庫”，關注學習者不同階段的歷時語料[13]。此外魯東大學建立的國別化漢語中介語動態語料庫[14]，收錄了韓國留學生歷年在校期間的作業和考試語料。但是這些語料庫由于建庫限制，還不能達到對同一學習者語言發展進行持續追蹤的目的。

筆者認為，無論是從語料庫語言學的研究角度，還是從實際語言教學需要出發，都有必要建立歷時追蹤性英語學習者語料庫，豐富學習者語料庫的類型，為研究英語學習者中介語的發展規律提供語料平臺。

三、歷時追蹤性語料的收集

1.語料規模

歷時追蹤性英語學習者語料庫是專門用途語料庫，筆者通過對100名大一學生持續收集英語作文，追蹤學生的英語發展過程。每周收集學生的英語作文1篇，長度為200詞左右，涵蓋說明文、記敘文、議論文、小說等體裁。語料收集可以持續2～3年，收集過程越長，對研究中介語的發展規律越有價值。建成后，收集到每名學生的語料達20,000詞，整個語料庫累計詞匯達2,000,000，基本形成一定規模，成為國內領先的英語學習者語料庫，為研究英語中介語發展規律提供語料平臺。

2.語料采集原則

語料的采集有兩種方法：學生在紙上寫作，然后再輸入電腦存儲為電子文本；或者直接讓學生在線寫作提交電子文檔。為了避免簡單的重復勞動，提高效率，我們將采用在線寫作的方式。根據我們的建庫目的，本語料庫收集的語料必須要滿足有效性、追蹤性、均衡性三個要求。

追蹤性：每周收集一次學生的英語作文，持續時間2-3年，達到對英語學習者中介語發展進行追蹤的要求，是本語料庫的特色，也是建設的難點。對比其他學習者語料庫，研究者收集歷時追蹤性語料比較困難。如何持續穩定地從同一英語學習者收集語料，還沒有統一的標準模式，處于小范圍探索階段。然而追蹤語料庫的重要作用不可替代，積極探索歷時追蹤語料庫的建設可以為研究中介語的發展變化提供重要的數據平臺。本研究需要每周收集一次學生的英語作文(200詞)，由于多數學生缺乏英語寫作實踐，培養學生良好的持續寫作習慣是關鍵之處。

均衡性：收集的語料涵蓋記敘文、說明文、議論文等各個體裁，話題盡可能廣泛，每種體裁的語料數量基本均衡，以全面反映學生的英語能力。國內常見的主要的學習者語料庫(CLEC、SWECCL等)都是基于各類英語考試的限時命題作文，題材固定、單一，學生語言趨于保守，并出現大量套用公式化句式的現象，是學生應試教育的產物，用來分析學生實際的英語能力有所欠缺。本研究擬建的英語學習者語料庫，語料源于學習者每周自由時間的寫作練習，是學生自然語境下的語言輸出，改進了學習者語料庫的語料采集方式，更能體現學習者的實際英語能力。

有效性：電子文檔語料的收集，要對所有收集到的語料進行鑒別，剔出抄襲、機器翻譯等無效語料，確保語料來源地真實有效。由于本語料庫收集自然語境下的學生語言輸出材料，我們主要以寫作任務的形式讓學生在課外時間完成，這樣可以避免考試作文的弊端，但是也帶來新的問題：怎么避免學生抄襲與機器翻譯。過往的教學經驗可知，學生可能會為快速完成寫作任務，從網絡上抄襲英語作文，或者使用機器翻譯，這都會導致語料的無效性。為此我們必須鑒別分析收到的每一篇英語作文，確保語料的有效性。每周對100篇語料進行整理分析，對我們來說也是一個挑戰。

3.收集過程

整個語料采集過程持續2～3年，每周提取100名大學生的英語作文、日記等素材。為了確保語料收集順利，采集前的準備工作與先導研究階段必不可少。

準備工作：提前確定好學生要寫作的題目，可以是寬泛的話題，也可以是具體的題目。每周向學生說明英語寫作任務，采用在線寫作形式。鼓勵學生大膽進行寫作練習，不允許抄襲與機器翻譯。

試收集階段：先進行一個月的先導研究，試收集學生的作文語料，檢驗方案的可行性，根據學生的完成情況對寫作題目、要求、長度等進行調整，貼合學生的英語水平與興趣，消除學生潛在的抵觸情緒，有效地完成寫作任務。

正式收集階段：進行正式的語料采集工作，培養學生形成良好的寫作習慣，對表現優秀的學生給與一定獎勵，建立起你追我趕的競爭機制，使學生樂于寫作，在寫作中進步，完成語料收集任務。

下圖為本語料庫的建設流程，其中語料的收集與標注是重點，每周一次，持續兩年至三年的時間，收集200萬詞的學習者語料。

圖1 語料庫建設流程圖

四、歷時追蹤性語料的標注

語料采集完成后還只是生語料庫，需要對學生信息、采集時間、文本題材等信息進行標注，以及對語料進行賦碼處理，對語言錯誤進行標注，方便計算機對其進行檢索使用。標注與收集同步進行，每周一次。

本語料庫的標注方法借鑒SWECCL等國內學習者語料庫的標注方法,但是我們仍需要探索針對追蹤性語料的特殊標記。雖然目前已建成的學習者語料庫確定了一套事實上的標注規范，研發了相應的語料標注軟件與檢索軟件，本語料庫可以參照使用。但由于追蹤性語料庫建設極少，如何對同一學習者不同階段的動態語言材料進行標注和分析，還沒有可靠的先例，需要研究者在具體標注中實際探索，以實現語料庫的追蹤性功能，從大數據層面展現學習者在不同階段的中介語發展特點。

本研究擬采用XML格式對語料庫的頭文件信息及詞性等進行標注。

頭文件信息包括學生代碼()、語料收集學期()、星期()、限時/非限時(/)、體裁(///)、題材()等。頭文件信息都是語料庫的變量因素，體現出了不同因素對于學習者英語使用的影響。研究者可以利用不同的變量生成子語料庫，即進行相互對比研究。其中最重要的變量是時間，通過時間維度，研究者可以對英語中介語的歷時發展變化規律進行相關研究。

詞性賦碼標注一般采用CLAWS、AGTS等工具進行。這些標注工具是針對英語為母語開發的，用于中介語標注時，會有部分賦碼錯誤的情況，有必要再進行人工校對完善。后期隨著研究需要，我們還可以對中介語的語言錯誤進行標記編碼，提高語料庫的應用價值。

用CLAWS賦碼標注后展現的結果：

The_AT0 university_NN1 began_VVD to_TO0 recruit_VVI international_AJ0

students_NN2 in_PRP 1986_CRD and_CJC had_VHD trained_VVN more_DT0 than_CJS

20,000_CRD international_AJ0 students_NN2 from_PRP more_DT0 than_CJS 80_CRD

countries_NN2 by_PRP 2019_CRD,_PUN says_VVZ Huang_NP0 Xiaojuan_NP0 ,_PUN

the_AT0 university_NN1 's_POS vice-president_SENT ._PUN

每個單詞之后的下劃線標注字符，表示了該單詞的詞性特征。用檢索軟件可以利用這些標注字符，對特定用法或句式結構進行檢索。

五、歷時追蹤性語料庫的應用

語料庫建成后，即可用Wordsmith與AntConc等軟件對語料數據進行統計分析，就英語學習者在語言準確性、詞匯變化、句式復雜度等方面，結合時間維度進行定量分析，為探索英語學習者的中介語發展規律提供大量真實的語料數據。

由于收集歷時語料費力費時，要對英語學習者進行跨時間觀察追蹤幾乎沒有現成的語料平臺。通過大量的歷時性中介語語料可以深刻認識英語學習者的英語發展路徑，研究英語學習者的中介語在詞匯運用、語法錯誤、句法特點等方面的語言發展特點，對中介語發展規律進行驗證。這方面的作用是共時語料庫不可替代的。雖然很多學習者語料庫也可以按照學習者的英語水平不同，對比研究不同水平學習者的中介語特點，推導中介語的發展規律。但是這種對比沒有基于同一批學習者，難以推導出可信的結論。歷時語料庫的優勢就在于可以跨時間緯度對語言的發展變化進行追蹤，體現出語言的演變特征。對同一批學習者中介語發展變化進行追蹤分析，可以對中介語的發展變化規律得到更加清晰的認識。

結 語

雖然國內有眾多規模龐大、上千萬詞的英語學習者語料庫，但因為其缺乏追蹤性，無法對英語學習者的語言發展路徑進行深入探討。歷時跟蹤性英語學習者語料庫，持續跟蹤收集同一批英語學習者的語料, 突出語料的自然性特點，為研究英語中介語發展規律提供重要語料平臺。這對以后的歷時追蹤性語料庫建設，為后期更大規模更廣范圍的歷時追蹤性語料庫開發提供方法參考。