基于信息論的“連”字句的梯級(jí)模型

楊鴻祿

（河南師范大學(xué) 文學(xué)院，河南 新鄉(xiāng) 453007）

關(guān)于漢語(yǔ)中的“連”字句（連XP①“連”后的成分通常是名詞，但也可能是動(dòng)詞、形容詞或短語(yǔ)（邵敬敏2008），這里為了簡(jiǎn)便，記為XP。+都/也+VP），學(xué)者們的研究很多，主要分為歷時(shí)和共時(shí)兩個(gè)方面。歷時(shí)方面主要探討“連”字句的語(yǔ)法化，如劉堅(jiān)[1]、周小兵[2]、Xing, J. Z.[3]、邵敬敏[4]等；共時(shí)方面主要探討：1.“連”的詞性（宋玉柱[5]；梅立崇[6]；王思妮[7]）；2.“連”字句的語(yǔ)法意義（朱德熙1982[8]；崔永華[9]；崔希亮[10]）；3.“連”字句中“也/都”的異同（Paris[11]；郭春貴[12]；韓玉國(guó)[13]；Shyu[14]；羅瓊鵬[15]；巴丹[16]；Yang[17]）；4.“連”字句的肯定和否定（崔希亮[10]；丁雪歡[18]；郭銳[19]；邵敬敏[4]）；5.“連”字歧義句（肖奚強(qiáng)[20]）；6.“連”字句的語(yǔ)用和認(rèn)知（Paris[11]；崔希亮[10,21]；丁雪歡[18]；劉丹青、徐烈炯[22]；張旺熹[23]；郭銳[19]；袁毓林[24]；羅暉[25]）；7.“連”字句的生成機(jī)制（佟和龍[26]；張孝榮[27]）。

總的來(lái)說(shuō)，前人的研究涉及面較廣，也較為深入，但仍存在一些問(wèn)題：很多學(xué)者認(rèn)為“連”字句包含一個(gè)語(yǔ)用層級(jí)，所標(biāo)舉的是這個(gè)層級(jí)中的極端項(xiàng)（Paris[11]；崔希亮[10,21]；Portner[28]；郭銳[19]；袁毓林[24]；羅暉[25]；鄧川林[29]等），并使這個(gè)極端項(xiàng)衍推出語(yǔ)用標(biāo)尺中的所有個(gè)體，從而獲得全稱(chēng)解讀。然而如何理解“極端項(xiàng)”，“連”字句是否真的標(biāo)舉極端？如果把語(yǔ)用標(biāo)尺當(dāng)作一個(gè)集合，該集合是全集，還是子集？同時(shí)“連”字句的肯定和否定為什么會(huì)出現(xiàn)不對(duì)稱(chēng)，背后的制約因素是什么？基于這些問(wèn)題，我們認(rèn)為“連”字句仍有繼續(xù)研究的必要性。

一、語(yǔ)用標(biāo)尺和梯級(jí)模型

（一） 語(yǔ)用標(biāo)尺

人類(lèi)的會(huì)話通常不是由一串毫無(wú)關(guān)聯(lián)的話語(yǔ)組成，否則就會(huì)不合情理。至少在某種程度上，會(huì)話都是合作性的努力；會(huì)話參與者都有共同的目標(biāo)或方向。這個(gè)目標(biāo)或方向可能是會(huì)話開(kāi)始時(shí)就規(guī)定好的，也可能在會(huì)話的過(guò)程中逐漸變化。因此，會(huì)話參與者在會(huì)話的過(guò)程中需要遵循一般性原則，Grice[30]①Grice在1967年在哈佛大學(xué)的威廉·詹姆斯講座中已經(jīng)對(duì)會(huì)話含義理論進(jìn)行了闡釋?zhuān)?975年正式發(fā)表了講座中涉及的內(nèi)容，即《logic and conversation》一文。稱(chēng)之為“合作原則”，又分為四個(gè)準(zhǔn)則：數(shù)量（quantity）準(zhǔn)則、質(zhì)量（quality）準(zhǔn)則、關(guān)系（relation）準(zhǔn)則和方式（manner）準(zhǔn)則。其中數(shù)量準(zhǔn)則與話語(yǔ)提供的信息量有關(guān)，該準(zhǔn)則包含兩條次準(zhǔn)則：1.從交談的當(dāng)前意圖出發(fā)，提供充分的話語(yǔ)信息；2.不要提供比所需更多的信息。數(shù)量準(zhǔn)則為Horn[31]的級(jí)差隱涵（scalar implicature）理論奠定了基礎(chǔ)。級(jí)差蘊(yùn)涵在處理級(jí)差謂詞或程度謂詞時(shí)，把衍推（entailment）或真值條件義看作它們意義的固有下限，把語(yǔ)用推理或蘊(yùn)涵（implicature）看作意義的上限。Fauconnierr[32,33]在Horn[31]的基礎(chǔ)上，提出了語(yǔ)用標(biāo)尺（pragmatic scales）的概念，用于對(duì)語(yǔ)用推理進(jìn)行建模。他發(fā)現(xiàn)英語(yǔ)的最高級(jí)可以起到量化詞的作用，而語(yǔ)用標(biāo)尺可以對(duì)這一現(xiàn)象進(jìn)行解釋。例如：

（1）The faintest noise bothers my uncle.(Fauconnierr[32])

如果最微弱的噪音都可以使我叔叔心煩意亂，那么大一點(diǎn)的噪音更有可能會(huì)產(chǎn)生這樣的結(jié)果。因此可以構(gòu)造出“x brothers y”的語(yǔ)用標(biāo)尺（圖1）。

圖1 “x bothers y”的語(yǔ)用標(biāo)尺 （Fauconnier [32]）

給定兩個(gè)噪音x1和x2，使得xl在標(biāo)尺上的位置高于x2(即噪聲更大)，假設(shè)“x2使y心煩意亂”為真，那么“x1使y心煩意亂”也為真。

一般來(lái)說(shuō)，語(yǔ)用標(biāo)尺與命題模式有關(guān)。這種命題模式的一般形式是R(x，…②這些點(diǎn)表示其他自由變量，比如“x brothers y”中的y。)。如果x2在與R(x，…)相關(guān)的S標(biāo)尺上小于xl，則R(x2，…)蘊(yùn)涵R(xl，…)；因此，如果R適用于S上的最低元素，那么它適用于S上的所有元素（稱(chēng)之為標(biāo)尺原則）。

此外，這一假設(shè)還預(yù)測(cè)，命題的邏輯否定會(huì)使標(biāo)尺發(fā)生顛倒。因?yàn)槿绻鸕(x2) ? R(x1) ，那么~R(x1) ? ~R(X2)。因此，在與R相關(guān)的標(biāo)尺中，最高的元素將成為與~ R相關(guān)的標(biāo)尺中最低的元素，并使用相應(yīng)的最高級(jí)來(lái)表達(dá)全稱(chēng)量化的含義。例如：

（2）The loudest noise doesn’t bother him.(Fauconnierr[32])

例（2）表示如果最大的噪音都不能擾亂他，其他的噪音更不能擾亂他。

Coulson[34]將語(yǔ)用標(biāo)尺定義為：“語(yǔ)用標(biāo)尺由對(duì)象或場(chǎng)景組成，這些對(duì)象或場(chǎng)景依據(jù)一些相關(guān)的語(yǔ)義維度（semantic dimension）進(jìn)行排列，對(duì)標(biāo)尺中某一成員的陳述，同時(shí)蘊(yùn)涵著標(biāo)尺中其他成員相關(guān)的命題。” 他認(rèn)為，語(yǔ)用標(biāo)尺的存在使說(shuō)話人能夠利用標(biāo)尺上某一成員的信息，推斷其他成員的信息。例如：

（3）Al Gore can solve the hardest equations. （Coulson[34]）

如果說(shuō)Al Gore能解出最難的方程，也就意味著他能解出不那么難的方程。當(dāng)一個(gè)句子（P）蘊(yùn)涵另一個(gè)句子（Q）時(shí)，這意味著說(shuō)話者在聽(tīng)到P時(shí)，將假設(shè)Q成立，除非對(duì)其做出一些限定。

（二） 梯級(jí)模型

Fillmore, Kay, & O’Connor[35]和Kay[36]對(duì)梯級(jí)模型（scalar model）的研究進(jìn)一步完善了“語(yǔ)用標(biāo)尺”的基本思想。Fillmore等[35]認(rèn)為“梯級(jí)模型是具有特定結(jié)構(gòu)（該結(jié)構(gòu)可以看作是社會(huì)心理學(xué)中Guttman量表n個(gè)維度的概括）的一組命題”。語(yǔ)用尺度和梯級(jí)模型的關(guān)系是什么？Israel[37]指出，語(yǔ)用尺度是與命題模式相關(guān)聯(lián)的一組有序元素；梯級(jí)模型是從這樣的關(guān)聯(lián)中派生出來(lái)的一組命題，該組命題以支持它們之間的推理的方式排列。該模型由命題模式P(x, y，…)組成，包含一個(gè)或多個(gè)自由變量，對(duì)于每個(gè)變量，都有一組可能的值，這些值按照某個(gè)語(yǔ)義維度排序。

Kay[36]從形式語(yǔ)義學(xué)的角度對(duì)梯級(jí)模型進(jìn)行了界定。他認(rèn)為梯級(jí)模型是由一組相互關(guān)聯(lián)的命題組成的，這些命題被說(shuō)者和聽(tīng)者理解為背景信息。在形式方面，梯級(jí)模型的性質(zhì)可以概括如下：

假設(shè)真值集合T ={0,1}和事件狀態(tài)集合S。從S到T的函數(shù)集合F可以解釋為一組“命題”。梯級(jí)模型的特殊之處在于將特定的結(jié)構(gòu)強(qiáng)加于集合F上——當(dāng)然是“在語(yǔ)境中”對(duì)這一特定結(jié)構(gòu)的命題集進(jìn)行經(jīng)驗(yàn)解釋。為了以期望的方式形成F，假設(shè)一個(gè)有限集D = {D1…， Dn} (n > 1)，其中每個(gè)成員Di是一個(gè)有序集合（不一定是有限集）。D的成員Di可以看作是語(yǔ)義維度。

Kay[36]舉了一個(gè)二維的例子：一組按跳躍能力排序的跳高選手和一組按難度排序的障礙物。每個(gè)語(yǔ)義維度Di的順序是這樣設(shè)置的：每個(gè)語(yǔ)義維度中編號(hào)最低的成員組成的n元組是Dx①D元素的笛卡爾積，即n元組的集合，表示為Dx。在該例中，Dx表示所有有序?qū)Φ募希撚行驅(qū)Φ牡谝粋€(gè)元素是跳高選手，第二個(gè)元素是障礙物。中的原點(diǎn)，如果與Dx中任意一點(diǎn)對(duì)應(yīng)的命題為真，那么與原點(diǎn)對(duì)應(yīng)的命題為真。在Kay的這個(gè)例子中，原點(diǎn)是對(duì)應(yīng)著最簡(jiǎn)單的障礙物和最有能力的跳高選手的點(diǎn)。現(xiàn)在定義一個(gè)命題函數(shù)P，它的定義域是Dx，值域是F。在該例中，P是一個(gè)從（跳高選手，障礙物）到命題的函數(shù)，例如，“跳高選手X可以跳過(guò)障礙物Y”，命題函數(shù)P為“…可以跳過(guò)…”。要獲取梯級(jí)屬性，需要對(duì)P進(jìn)行約束。首先在Dx的元素上定義一個(gè)二元關(guān)系。給定兩個(gè)成員di 和dj，如果di在至少一個(gè)語(yǔ)義維度上低于dj，那么di比dj更低或更接近原點(diǎn)。則約束P為：對(duì)于Dx中不同的di和dj，如果dj小于di，那么P(di)蘊(yùn)涵P(dj)。然后將梯級(jí)模型定義為該約束條件的有序四元組(S, T, Dx, P)。

Kay[36]指出，空間維度至少包含兩個(gè)維度，一維尺度只存在于它們所排序的事物的背景之中，因此每個(gè)梯級(jí)模型中至少包含兩個(gè)相關(guān)的有序集。梯級(jí)模型的構(gòu)造使我們能夠定義Gricean的信息量概念，信息量的定義是相對(duì)于梯級(jí)模型的。給定一個(gè)包含兩個(gè)不同命題p和q的梯級(jí)模型，如果p蘊(yùn)涵q，那么p比q信息量更豐富。

二、“連”字句的梯級(jí)模型

（一） 梯級(jí)模型的不適用性

Paris[11]最先引入Fauconnierr[32,33]的語(yǔ)用標(biāo)尺（pragmatic scales）理論來(lái)對(duì)漢語(yǔ)的“連”字句進(jìn)行考察。此外還有崔希亮[21]、郭銳[19]、袁毓林[24]等。羅暉[25]引入了梯級(jí)模型（Scalar Model），他指出，該模型是對(duì)不同梯級(jí)衍推形式的概括，是“連”字句使用的基礎(chǔ)。梯級(jí)模型引入“連”字句會(huì)不會(huì)出現(xiàn)水土不服的情況？先來(lái)看個(gè)例子：

（4）老兄，人家浙大法學(xué)院。你張口就是別人小學(xué)水平不到。我看你無(wú)論從品性，學(xué)識(shí)，甚至連你的頭像都差別人一大截。（知乎）

對(duì)于例（4）來(lái)說(shuō)，首先要依據(jù)語(yǔ)義維度建立語(yǔ)用標(biāo)尺，但是無(wú)論如何都無(wú)法把“品性、學(xué)識(shí)”和“頭像”歸為一類(lèi)，這里找不到可以有序化的語(yǔ)義維度，那么如何推出P(頭像)蘊(yùn)涵P(品性、學(xué)識(shí))呢？這是Kay[36]的梯級(jí)模型無(wú)法解決的問(wèn)題。漢語(yǔ)學(xué)者們已經(jīng)注意到這個(gè)問(wèn)題，不自覺(jué)地對(duì)語(yǔ)用標(biāo)尺進(jìn)行了調(diào)整。比如袁毓林[24]在確立“連”字句的意義結(jié)構(gòu)時(shí)，指出“連”字句的預(yù)設(shè)是：

（i）存在著一組事物，它們具有VP所指謂的那種屬性；

（ii）可以按照擁有那種屬性的可能性的大小而建立一個(gè)語(yǔ)用尺度，比如：最不可能→不太可能→可能→較有可能→非常可能……；

（iii）那組事物可以分別處于這個(gè)可能性標(biāo)尺的不同的刻度上；

（iv）NP所指的事物處于這個(gè)語(yǔ)用標(biāo)尺的最低點(diǎn)，即它最不可能具有VP所指謂的那種屬性。

袁毓林[24]和Fauconnier[32,33]、Kay[36]的處理方法都不同，雖然袁文稱(chēng)其依據(jù)的是Fauconnier的語(yǔ)用標(biāo)尺理論。按照Fauconnier和Kay的處理，需要先對(duì)NP進(jìn)行排序，然后再與VP所指謂的屬性相結(jié)合，即前文所說(shuō)的，如果x2在與R(x，…)相關(guān)的S標(biāo)尺上小于xl，則R(x2，…)蘊(yùn)涵R(xl，…)。袁毓林[24]是對(duì)R(x1，…)和R(x2，…)進(jìn)行排序，并且為這個(gè)排序制定了“可能性大小的維度”這和Fauconnier、Kay的操作有很大差異。這也說(shuō)明了袁文意識(shí)到語(yǔ)用標(biāo)尺理論無(wú)法直接運(yùn)用到“連”字句的分析中去。但是袁文沒(méi)有說(shuō)為什么排序的標(biāo)準(zhǔn)是可能性大小？下面本文將引進(jìn)信息論，對(duì)這一問(wèn)題進(jìn)行說(shuō)明。

（二） “概率”和“自信息”

Johnson[38]對(duì)概率的定義為，假定在一次試驗(yàn)中共有n個(gè)不同的等可能的結(jié)果，使事件E發(fā)生的結(jié)果有s個(gè)，使事件E不發(fā)生的結(jié)果有f個(gè)，則E成功發(fā)生的概率是：

例如，投擲一枚硬幣，正面朝上和反面朝上的概率各為0.5。

一個(gè)隨機(jī)事件發(fā)生后所帶來(lái)的信息量成為自信息量，簡(jiǎn)稱(chēng)自信息，定義為其發(fā)生概率對(duì)數(shù)的負(fù)值。若隨機(jī)事件xi發(fā)生的概率為p（xi），那么它的自信息量I（xi）為：

自信息量的單位與所用對(duì)數(shù)的底有關(guān)。在信息論中常用的對(duì)數(shù)底為2，信息量的單位為比特（bit）。I（xi）可以理解為由事件xi所提供的信息的數(shù)量。

陳運(yùn)、周亮等[39]指出，自信息I（xi）具有以下性質(zhì)：

（i）p（xi）=1，說(shuō)明該事件是必然事件。必然事件不含有任何不確定性，所以不含有任何信息量。

（ii）當(dāng)p（xi）=0時(shí)，I（xi）=∞。說(shuō)明不可能事件一旦發(fā)生，帶來(lái)的信息量是非常大的。

（iii）I（xi）是p（xi）的單調(diào)遞減函數(shù)，信息量隨著概率的增加而減少。

舉個(gè)例子，如果你投擲一個(gè)骰子，我不知道你投出的骰子的點(diǎn)數(shù)，需要你告訴我。完成一次投擲后，你告訴我骰子的點(diǎn)數(shù)≤6，這句話提供的信息量為0，因?yàn)樵撌录潜厝皇录怕蕿?，不用告訴我，我也知道；如果你告訴我骰子的點(diǎn)數(shù)≤5，這句話提供的信息量較少，因?yàn)樵撌录楦吒怕适录怕矢哌_(dá)5/6; 如果你告訴我骰子的點(diǎn)數(shù)為1，這句話提供的信息量較多，因?yàn)樵撌录母怕瘦^低，概率為1/6。因此，信息量的大小與事件發(fā)生的概率有關(guān)，概率越小，信息量越大；概率越大，則信息量越小。

梯級(jí)模型是否可以引入信息論呢？Israel[37]說(shuō)Kay曾經(jīng)告誡他（私人通信），統(tǒng)計(jì)學(xué)中的概率和梯級(jí)推理不是一回事，從技術(shù)層面上說(shuō)，人們沒(méi)有辦法給語(yǔ)用梯級(jí)中的各個(gè)命題項(xiàng)分配準(zhǔn)確的概率。Israel認(rèn)為梯級(jí)模型依據(jù)的僅僅是命題間的衍推關(guān)系，而非可能情景的概率。蔣勇[40,41]認(rèn)為無(wú)須給語(yǔ)用梯級(jí)中的各個(gè)命題項(xiàng)分配準(zhǔn)確的概率，需要分配的是“大致的、相對(duì)的先驗(yàn)概率”，因此蔣文建議把信息論引入梯級(jí)模型，同時(shí)他基于信息論建立了極性詞①極性詞也稱(chēng)極性敏感詞。極性詞通常分為負(fù)極性詞和正極性詞，負(fù)極性詞（如“壓根兒”）典型地分布在否定句中，正極性詞（如“一丁點(diǎn)兒”）典型地分布在肯定句中。（蔣勇[40]）的梯級(jí)模型。

“連”字句的梯級(jí)模型是否可以引入信息論呢？我們認(rèn)為蔣勇[40,41]的觀點(diǎn)并不能說(shuō)明將信息論引入（極性詞的）梯級(jí)模型的必要性，如果原有的梯級(jí)模型已經(jīng)是一個(gè)完善的模型，無(wú)論是給各個(gè)命題項(xiàng)分配準(zhǔn)確的概率還是分配相對(duì)的模糊的概率，都無(wú)關(guān)緊要。正如Israel[37]所說(shuō)的，梯級(jí)模型依據(jù)是命題間的衍推關(guān)系。言外之意：衍推關(guān)系已經(jīng)能保證模型的正常運(yùn)行，為什么還要添加不必要的概率進(jìn)去？當(dāng)然我們并不認(rèn)同Kay和Israel的觀點(diǎn)，因?yàn)橐罁?jù)命題間的衍推關(guān)系對(duì)于漢語(yǔ)的“連”字句并非完全適用，對(duì)于大量例（4）這樣的句子，無(wú)法為NP建立語(yǔ)用標(biāo)尺。如果結(jié)合漢語(yǔ)“連”字句的實(shí)際，就必須引入信息論（即袁毓林[24]所說(shuō)的“可能性大小”）。當(dāng)找不到NP排序的語(yǔ)義維度時(shí)，嘗試從概率大小的維度對(duì)R(x，…)進(jìn)行排序。

（三） 模型的建立

結(jié)合學(xué)者們的研究，我們認(rèn)為基于信息論的“連”字句的梯級(jí)模型為：

基礎(chǔ)條件：該模型是一個(gè)有序四元組(S, T, Dx, P)，其中S為事件狀態(tài)集合；T ={0,1}為真值集合；Dx表示有序?qū)希籔為命題函數(shù)，它的定義域是Dx，值域是F，對(duì)于Dx中不同的di和dj，如果dj小于di，那么 P(di)發(fā)生的概率小于P(dj)，因此P(di)的發(fā)生蘊(yùn)涵P(dj)的發(fā)生。

附加條件：當(dāng)該模型并未涉及有序?qū)螪x時(shí)，只需要依據(jù)概率大小對(duì)“連”字句激活的事件建立語(yǔ)用標(biāo)尺。

這樣的處理的優(yōu)勢(shì)在于，相對(duì)于Kay[36]和袁毓林[24]的方案變得更加全面了。Kay[36]只包括基礎(chǔ)條件，缺少附加條件，因此遇到基礎(chǔ)條件不能解決的問(wèn)題就無(wú)能為力。例如：

（5）湯古岱跪在那里，連頭也不敢抬，知道自己惹了禍，但是，現(xiàn)在已是后悔也來(lái)不及了。（李文澄《努爾哈赤》）

對(duì)于例（5），如果要為NP（“頭”）所在的集合建立語(yǔ)用標(biāo)尺，就會(huì)意識(shí)到無(wú)法確定集合中其他的成員，也無(wú)法確定標(biāo)尺的語(yǔ)義維度。因此這里基礎(chǔ)條件的規(guī)則無(wú)能為力，只能依據(jù)附加條件為NP+VP建立語(yǔ)用標(biāo)尺：不敢抬頭＜不敢頂撞＜……。該語(yǔ)用標(biāo)尺中 P（不敢抬頭）的概率低于P（不敢頂撞）等一系列事件的概率，該事件的發(fā)生蘊(yùn)涵著其它事件的發(fā)生。

袁毓林[24]的方案是直接給NP+VP建立語(yǔ)用標(biāo)尺，不考慮是否涉及有序?qū)螪x，這樣的處理方案看似簡(jiǎn)潔，實(shí)際上還是擺脫不了把基礎(chǔ)條件和附加條件分開(kāi)處理，例如：

（6）八國(guó)聯(lián)軍打進(jìn)了北京城，連皇上都跑了，也沒(méi)把我的腦袋掰了去呀！（老舍《四世同堂》）

按照袁毓林[24]的處理方法，例（6）中NP+VP事件按概率大小排列的語(yǔ)用標(biāo)尺為：皇上跑了＜大臣跑了＜……＜老百姓跑了。P（皇上跑了）的概率最小，如果該事件發(fā)生了，意味著“大臣跑了”“老百姓跑了”等高概率事件更應(yīng)該發(fā)生。這個(gè)基于概率的語(yǔ)用標(biāo)尺附帶激活了基于權(quán)勢(shì)的語(yǔ)用標(biāo)尺：皇上>大臣>……老百姓。因此這里仍然采用的是基礎(chǔ)條件。

三、“連”字句的特征分析

正如在引言中所指出的，很多學(xué)者認(rèn)為“連”字句所標(biāo)舉的是這個(gè)層級(jí)中的極端項(xiàng)，并獲得全稱(chēng)解讀。然而什么是“極端項(xiàng)”，“連”字句是否標(biāo)舉極端，是否是全稱(chēng)量化？以及“連”字句肯定和否定不對(duì)稱(chēng)的相關(guān)問(wèn)題都沒(méi)有得到滿(mǎn)意的回答。

（一） 標(biāo)舉極端

很多學(xué)者認(rèn)為“連”字句標(biāo)舉極端，對(duì)于什么是“極端”，崔永華[9]認(rèn)為，從說(shuō)者的角度看，它是“V的”這類(lèi)事物中，“最不該V”的那個(gè)。Paris[11]、崔希亮[21]、Portner[28]、Shyu[14]郭銳[19]、袁毓林[24]、羅暉[25]、鄧川林[29]等都持有該觀點(diǎn)。羅瓊鵬[15]認(rèn)為，“極端”是從“相對(duì)”的角度來(lái)講的。這個(gè)“相對(duì)”的角度可以根據(jù)層級(jí)蘊(yùn)涵關(guān)系來(lái)定義。如果層級(jí)結(jié)構(gòu)里有{x,y,z}三個(gè)元素，只要x≤y≤z，則“x”和“z”都可以是極端。羅文之所以要對(duì)“極端”重新界定，是因?yàn)樗l(fā)現(xiàn)了這樣的事例：

（7）（小張?zhí)耍⊥醣刃±罡撸┛蛇B小李都比小張高。（羅瓊鵬[15]）

羅文指出，例（7）中，“連”并沒(méi)有引出極端值。按照羅文的思路，如果分別將“小張”、“小李”和“小王”的身高賦值為：“小張”160 cm，“小李”162 cm，“小王”180 cm。三人身高的排序?yàn)椋盒垼夹±睿夹⊥酢！靶±睢钡纳砀咴谌咧芯又校@然不是極端項(xiàng)。但是說(shuō)話人的意圖是按照概率（可能性）大小進(jìn)行排序：……“小李比小張高”概率＜“小王比小李高”的概率＜……（省略號(hào)表示可能出現(xiàn)的其他成員）。需要注意的是，這里的“連”字句聚焦的項(xiàng)目并不是相關(guān)標(biāo)尺中最極端的項(xiàng)目，而是通常被認(rèn)為是斷言謂詞為真的最極端項(xiàng)。簡(jiǎn)單來(lái)說(shuō)，就是說(shuō)話人截取的只是標(biāo)尺的一部分，而不是全部。因此我們認(rèn)為這里的“連”字句仍然是標(biāo)舉極端。

2.3.2 專(zhuān)屬性 取空白孵育樣品（即“2.2.3”項(xiàng)下不含ZG02的兩相孵育體系）、ZG02對(duì)照樣品（即“2.2.3”項(xiàng)下含ZG02的兩相孵育體系）、肝微粒體孵育樣品[即“2.2.3”項(xiàng)下含ZG02兩相孵育體系按“2.2.4”項(xiàng)下方法處理后（孵育30 min時(shí)）所得樣品]各適量，按“2.3.1”項(xiàng)下色譜與質(zhì)譜條件進(jìn)樣分析，色譜圖見(jiàn)圖3。結(jié)果，內(nèi)標(biāo)和ZG02的峰形均良好，保留時(shí)間分別為0.70、1.57 min，孵育體系中的內(nèi)源性物質(zhì)并未干擾待測(cè)物的測(cè)定，提示本方法的專(zhuān)屬性良好。

羅瓊鵬[15]所指出的相對(duì)極端，有一定的道理，但是沒(méi)有清晰地揭示出“連”字句所涉及的是語(yǔ)用標(biāo)尺的整體還是部分，而且對(duì)語(yǔ)用標(biāo)尺理解也存在一些問(wèn)題，所以出現(xiàn)了判斷失誤的情況。

郭銳[19]對(duì)“極端”的理解又往前推進(jìn)了一步。他認(rèn)為：“連”字句表征的事件可能性最低，這是與“連”字句衍推的其他事件相比，而非就所有同類(lèi)事件而言。例如：

（8）連小棉襖也脫了，只剩了件小褂，他想飛跑一氣, 跑忘了一切，摔死也沒(méi)多大關(guān)系！ （老舍《駱駝祥子》）

如果就同類(lèi)事件而言，“脫了小棉襖”不是極端項(xiàng)，因?yàn)檫€有比它更極端的“脫了小褂”。與“連”字句所衍推的其他事件相比，這里的“脫了小棉襖”是極端項(xiàng)。

郭文的論述已經(jīng)接近了問(wèn)題的實(shí)質(zhì)，但是結(jié)論需要加以修正：

“連”字句所標(biāo)舉的事件發(fā)生的概率（可能性）最低，這可能是相對(duì)于整個(gè)語(yǔ)用標(biāo)尺（就所有同類(lèi)事件）來(lái)說(shuō)的，也可能是相對(duì)于語(yǔ)用標(biāo)尺的子集來(lái)說(shuō)的。

基于修正后的結(jié)論，例（8）中語(yǔ)用標(biāo)尺地全集為：x1＜x2……＜脫了小棉襖＜脫了小褂，但是說(shuō)話人截取的（與其蘊(yùn)涵的其他事件相比）只是標(biāo)尺的子集：x1＜x2……＜脫了小棉襖，因此這里的“脫了小棉襖”是子集中的極端項(xiàng)。

胡亞[42]認(rèn)為“極端”的說(shuō)法過(guò)于絕對(duì)，建議改為“低端”。例如：

（9）他連小縣城都沒(méi)出過(guò)，更別說(shuō)出國(guó)了。（胡亞[42]）

（二） 全稱(chēng)量化

“連”字句有全稱(chēng)量化含義，幾乎成為了學(xué)者們的共識(shí)，他們認(rèn)為“連”字句具有全稱(chēng)性，由“連”后NP所指的事物具有VP所指謂的語(yǔ)義屬性，可以推理出其他與NP同屬于該語(yǔ)用標(biāo)尺中的事物都具有VP所指謂的語(yǔ)義屬性。然而如何理解“連”字句的全稱(chēng)量化？其實(shí)前文在分析“連”字句標(biāo)舉極端時(shí)，已經(jīng)涉及到這個(gè)問(wèn)題：“連”字句的“論域”（universe of discourse）。Horn[31]指出論域的作用是“暗中限制句子中各種算子的作用范圍”。Kretzmann[43]論文中提到13世紀(jì)哲學(xué)家William of Sherwood的一個(gè)例子：“只有蘇格拉底在奔跑”，這句話的意思不是除了蘇格拉底以外的所有人都不在奔跑，而是“同一類(lèi)屬內(nèi)出蘇格拉底以外的人都不在奔跑”。這里就涉及了算子的論域問(wèn)題，只有明確了論域，才能對(duì)話語(yǔ)進(jìn)行正確的解讀。

“連”字句的“論域”不一定是語(yǔ)用標(biāo)尺的全集，有可能是語(yǔ)用標(biāo)尺的子集。先來(lái)看個(gè)例子：

（10）他告訴記者，去年西寧市舉辦了首屆江河源奇石展，連省長(zhǎng)都來(lái)稱(chēng)賀道喜，鼓勵(lì)西寧抓住西部大開(kāi)發(fā)機(jī)遇，做好“石頭”大文章，開(kāi)拓奇石資源，興辦奇石產(chǎn)業(yè)，以奇石興西寧，以奇石興青海。（2000年人民日?qǐng)?bào)）

例（10）中“連”后的“省長(zhǎng)”并不位于官銜的頂端。中國(guó)的官銜級(jí)別為：國(guó)家級(jí)正職>國(guó)家級(jí)副職>省部級(jí)正職>省部級(jí)副職>廳局（地）正職>廳局（地）副職>縣處級(jí)正職>縣處級(jí)副職>鄉(xiāng)科級(jí)正職>鄉(xiāng)科級(jí)副職……省長(zhǎng)屬于省部級(jí)正職，其上還有其他官銜。“連省長(zhǎng)都來(lái)稱(chēng)賀道喜”，該句并不蘊(yùn)涵“副總理、總理、副主席、主席等來(lái)稱(chēng)賀道喜”，即不能推理出官銜標(biāo)尺集合中比“省長(zhǎng)”大的官銜具有VP所指謂的語(yǔ)義屬性，只能推理出比“省長(zhǎng)”小的官銜（副省長(zhǎng)、市長(zhǎng)、副市長(zhǎng)等）具有VP所指謂的語(yǔ)義屬性。可見(jiàn)，該句中的“連”字句所涉及的只是官銜標(biāo)尺集合中的子集{省部級(jí)正職，省部級(jí)副職，廳局（地）正職……}，而非全集{國(guó)家級(jí)正職，國(guó)家級(jí)副職，省部級(jí)正職，省部級(jí)副職，廳局（地）正職……}。

胡亞[42]認(rèn)為周遍義（全稱(chēng)量化義）不是絕對(duì)的，如“他連我的名字都忘記了”，忘記名字不一定忘記與“我”相關(guān)的一切，比如“我們”認(rèn)識(shí)的場(chǎng)合等等。胡文這兒的分析混淆了語(yǔ)用標(biāo)尺的全集和子集。“認(rèn)識(shí)的場(chǎng)合”等并不包含在“連”字句所涉及的語(yǔ)用標(biāo)尺的子集內(nèi)。因此所謂的全稱(chēng)量化義或周遍義指的不一定是全集，有可能是語(yǔ)用標(biāo)尺的子集。

（三） 肯定和否定

探討“連”字句肯定和否定的學(xué)者有崔希亮[10]、丁雪歡[18]、郭銳[19]、袁毓林[24]和邵敬敏[4]等。

崔希亮[21]指出，有些“連”字句有否定式而沒(méi)有相應(yīng)的肯定式，但是凡有肯定式的“連”字句都有相應(yīng)的否定式。我們認(rèn)為崔文的觀點(diǎn)過(guò)于絕對(duì)，因?yàn)橛械摹斑B”字句有肯定式，卻沒(méi)有否定式①?lài)?yán)格來(lái)說(shuō)，并不是有無(wú)的問(wèn)題，而是接受度高低的問(wèn)題，前者是句法層面，后者是語(yǔ)用層面。（郭銳[19]和袁毓林[24]等也持有該觀點(diǎn)）。例如：

（11）a.連皇上都/也怕洋人。b. *連皇上都/也不怕洋人。（自擬）

（12）a.連10萬(wàn)都/也有。 b.連10萬(wàn)都/也沒(méi)有。（自擬）

例（11a）的“連”字句肯定式的接受度高，而其否定形式（11b）的接受度低。郭文認(rèn)為之所以會(huì)出現(xiàn)這種不對(duì)稱(chēng)情況，是因?yàn)椤斑B”字句相應(yīng)肯定式和否定式在衍推序列中的地位總是不對(duì)稱(chēng)。但是如果簡(jiǎn)單歸結(jié)于不對(duì)稱(chēng)，那么對(duì)于（12a）和（12b）都成立的情況該如何說(shuō)明呢？

我們認(rèn)為這和“連”字句的“論域”有關(guān)。正如前文所指出的：“連”字句的“論域”不一定是語(yǔ)用標(biāo)尺的全集，有可能是語(yǔ)用標(biāo)尺的子集。例（11）和（12）的區(qū)別在于，前者“連”字句的“論域”是語(yǔ)用標(biāo)尺的全集（圖2），后者的“論域”是語(yǔ)用標(biāo)尺的子集（圖3）。

圖2 “連”字句的論域①② 箭頭方向表示事件發(fā)生的概率由低到高。（論域?yàn)檎Z(yǔ)用標(biāo)尺全集）

圖3 “連”字句的論域（論域?yàn)檎Z(yǔ)用標(biāo)尺子集）

當(dāng)“連”字句的“論域”是語(yǔ)用標(biāo)尺的全集時(shí)，“連”字句所標(biāo)舉的極端項(xiàng)是標(biāo)尺全集中的極端項(xiàng)（絕對(duì)極端項(xiàng)），在肯定句（11a）中“皇上怕洋人”是概率最低的事件，當(dāng)轉(zhuǎn)換為否定句（11b）時(shí)，“皇上不怕洋人”是概率最高的事件。“連”字句的NP擁有VP所指的屬性，是概率最低的事件，因此（11a）成立，而（11b）不成立。

結(jié)合前面的分析，我們認(rèn)為，如果“連”字句所標(biāo)舉的是絕對(duì)極端項(xiàng)，“連”字句將呈現(xiàn)出如下規(guī)律（記為規(guī)則1）：當(dāng)所標(biāo)舉的是所在標(biāo)尺全集中概率最低的事件時(shí)，“連”字句的肯定形式和否定形式不能相互轉(zhuǎn)化，即絕對(duì)不對(duì)稱(chēng)。

當(dāng)“連”字句的“論域”是語(yǔ)用標(biāo)尺的子集（元素?cái)?shù)目≥2③這里規(guī)定子集元素?cái)?shù)≥2，是因?yàn)椤斑B”字句標(biāo)舉極端，因此必須包含對(duì)比項(xiàng)，如果沒(méi)有對(duì)比項(xiàng)，也就無(wú)所謂極端了。）時(shí)，“連”字句所標(biāo)舉的極端項(xiàng)是標(biāo)尺子集的極端項(xiàng)（相對(duì)極端項(xiàng)）。例（12a）中“有10萬(wàn)元”是所在子集的相對(duì)極端項(xiàng)，是概率最低的事件，轉(zhuǎn)換為否定形式（12b）時(shí)，“沒(méi)有10萬(wàn)元”是所在子集的相對(duì)極端項(xiàng)，是概率最低的事件。這個(gè)看似矛盾的轉(zhuǎn)化其實(shí)并不矛盾。如果把根據(jù)資金大小維度建立的標(biāo)尺提取出來(lái)更能說(shuō)明問(wèn)題，該語(yǔ)用標(biāo)尺為：1分錢(qián)>……1千元>1萬(wàn)元>10萬(wàn)元>100萬(wàn)元…>1億元。基于社會(huì)財(cái)富分配不均的現(xiàn)實(shí)，10萬(wàn)元對(duì)低薪群體來(lái)說(shuō)是很大的金額，對(duì)高薪群體來(lái)說(shuō)是很小的金額。因此“有10萬(wàn)元”對(duì)低薪群體來(lái)說(shuō)概率較低，對(duì)高薪群體來(lái)說(shuō)是概率較高。（12a）和（12b）可以同時(shí)成立的原因在于，前者采用的是低薪群體的視角，后者采用的是高薪群體的視角。

換一種思路，如果對(duì)（12a）和（12b）都采用低薪群體視角，那么（12a）的可接受度較高，（12b）的可接受度較低；如果對(duì)（12a）和（12b）都采用高薪群體視角，那么（12a）的可接受度較低，（12b）的可接受度較高；如果對(duì)（12a）采用高薪群體視角，對(duì)（12b）采用低薪群體視角，那么（12a）和（12b）的接受度都很低；之所以會(huì)這樣，是因?yàn)閷?duì)于低薪群體來(lái)說(shuō)，有“10萬(wàn)元”是低概率事件，沒(méi)有“10萬(wàn)元”是高概率事件；對(duì)于高薪群體來(lái)說(shuō)，有“10萬(wàn)元”是高概率事件，沒(méi)有“10萬(wàn)元”是低概率事件。

結(jié)合前面的分析，我們認(rèn)為，如果“連”字句所標(biāo)舉的是相對(duì)極端項(xiàng)，“連”字句將呈現(xiàn)出如下規(guī)律（記為規(guī)則2）：

當(dāng)標(biāo)舉的是所在標(biāo)尺子集中概率最低的事件時(shí)，肯定式和否定式的轉(zhuǎn)換受說(shuō)話者的個(gè)人主觀喜好、知識(shí)水平、智商和財(cái)富高低、社會(huì)地位等主客觀因素的制約。假設(shè)有A和B兩個(gè)分屬不同群體的說(shuō)話者，當(dāng)“連”字句的肯定式和否定式分別采用A和B兩種不同的視角，或者肯、否式接受度都很高，或者接受度都很低；當(dāng)采用相同的A視角或B視角時(shí)，或者肯定式接受度高，或者否定式接受度高。

邵敬敏[4]發(fā)現(xiàn)在否定式中“N+VP”的可能性越大，則“連”字句的可接受度越高，反之就越低。在肯定式中，“N+VP”的可能性越小，則“連”字句的可接受度越高，反之就越低。邵文這里涉及一個(gè)非常重要的問(wèn)題：當(dāng)“連”字句的“論域”是語(yǔ)用標(biāo)尺的子集時(shí)，對(duì)子集成員的確定，會(huì)有多種可能性。這也意味著極端項(xiàng)不是固定的，會(huì)發(fā)生變動(dòng)。以例（13）來(lái)說(shuō)，肯定式極端項(xiàng)的備選項(xiàng)組成了一個(gè)集合M{x|1分錢(qián)＜x≤1億元}。集合中的成員越接近極大項(xiàng)（如“1億元”），越容易成為肯定式極端項(xiàng)的備選項(xiàng)，越遠(yuǎn)離極大項(xiàng)（即越接近極小項(xiàng)“1分錢(qián)”），越難成為肯定式極端項(xiàng)的備選項(xiàng)；否定式極端項(xiàng)的備選項(xiàng)組成的集合是N{x|1分錢(qián)≤x＜1億元}。集合中的成員越接近“1分錢(qián)”，越容易成為否定式極端項(xiàng)的備選項(xiàng)，越遠(yuǎn)離極小項(xiàng)（即越接近極大項(xiàng)“1億元”），越難成為否定式極端項(xiàng)的備選項(xiàng)。進(jìn)一步可以推知：“連”字句肯定式中極端項(xiàng)的備選項(xiàng)越接近極大項(xiàng)（如“1億元”），越難轉(zhuǎn)換為否定式；否定式中極端項(xiàng)的備選項(xiàng)越接近極小項(xiàng)（如“1分錢(qián)”），越難轉(zhuǎn)換為肯定句。

同時(shí)我們認(rèn)為，標(biāo)尺子集的極端項(xiàng)越接近標(biāo)尺全集的極端項(xiàng)（極大項(xiàng)或極小項(xiàng)），越傾向于采用絕對(duì)極端項(xiàng)的規(guī)則（即規(guī)則1）；越遠(yuǎn)離標(biāo)尺全集的極端項(xiàng)，越傾向于采用相對(duì)極端項(xiàng)的規(guī)則（即規(guī)則2）。背后的原因在于：當(dāng)標(biāo)尺子集的極端項(xiàng)越接近標(biāo)尺全集的極端項(xiàng)，不同群體間就越容易達(dá)成一致；當(dāng)標(biāo)尺子集的極端項(xiàng)越遠(yuǎn)離標(biāo)尺全集的極端項(xiàng)，不同群體間就越容易產(chǎn)生分歧。例如1億元無(wú)論是對(duì)低薪群體還是對(duì)高薪群體來(lái)說(shuō)，都是很大的數(shù)目，而10萬(wàn)元對(duì)低薪群體來(lái)說(shuō)是很大的數(shù)目，對(duì)高薪群體來(lái)說(shuō)是很小的數(shù)目。

邵敬敏[4]發(fā)現(xiàn)在表示遞進(jìn)關(guān)系的“連”字句中（一般另一分句由“不僅/不但/別說(shuō)”等引導(dǎo)），肯定式嚴(yán)格按照數(shù)量從多到少、程度由高到低的順序排列，否定句則相反。例如：

（13）他不但有1塊錢(qián)，連1000塊也/都有。（自擬）（高概率→低概率）

（14）他連1塊錢(qián)都/也沒(méi)有，更不用說(shuō)1000塊了。（自擬）（低概率→高概率）

按照邵文的理解，例（13）是數(shù)量從多到少，例（14）是數(shù)量從少到多。這種分析只指明了問(wèn)題的表象，真正的原因在于“連”字句標(biāo)舉極端（NP最不可能具有VP所指謂的屬性），因此“連”字句的事件發(fā)生概率要低于其他對(duì)比項(xiàng)所在小句的概率。一旦違反這個(gè)制約條件，句子在語(yǔ)用上可接受度就較低。例如：

（15）*他不但有1000塊錢(qián)，連1塊錢(qián)也/都有。（自擬）（低概率→高概率）

（16）*他連1000塊錢(qián)也/都沒(méi)有，更不用說(shuō)1塊錢(qián)了。（自擬）（高概率→低概率）

例（15）和（16）可接受度低，是因?yàn)檫@兩例中“連”字句的事件發(fā)生概率高于其他對(duì)比項(xiàng)所在小句的概率，即“有1塊錢(qián)”的概率高于“有1000塊錢(qián)”的概率，“沒(méi)有1000塊錢(qián)”的概率高于“沒(méi)有1塊錢(qián)”的概率，違反了“連”字句的制約條件。

四、結(jié)語(yǔ)

本文構(gòu)建了基于信息論的“連”字句的梯級(jí)模型，并在此基礎(chǔ)上分析了“標(biāo)舉極端”“全稱(chēng)量化”“肯定否定”等相關(guān)問(wèn)題。考察發(fā)現(xiàn)：“連”字句標(biāo)舉的極端是相對(duì)極端，而非絕對(duì)極端。“連”字句的“論域”可能是語(yǔ)用標(biāo)尺的全集或子集，因此所謂的全稱(chēng)量化義或周遍義等受“論域”的制約。“連”字句肯定式極端項(xiàng)的備選項(xiàng)，越接近語(yǔ)用標(biāo)尺全集的最大項(xiàng)，接受度越高，且越難轉(zhuǎn)換為否定句；否定式極端項(xiàng)的備選項(xiàng)，越接近語(yǔ)用標(biāo)尺全集的最小項(xiàng)，接受度越高，且越難轉(zhuǎn)換為肯定句。標(biāo)尺子集的極端項(xiàng)越接近標(biāo)尺全集的極端項(xiàng)（極大項(xiàng)或極小項(xiàng)），越傾向于采用絕對(duì)極端項(xiàng)的規(guī)則；越遠(yuǎn)離標(biāo)尺全集的極端項(xiàng)，越傾向于采用相對(duì)極端項(xiàng)的規(guī)則。