語料庫驅動的《海洋考古術語漢英辭典》編纂芻議

馮浩達 曾 罡 王麒凱

(大連海事大學，遼寧大連 116026)

引言

自“海洋考古”這一術語正式引入學界[1]，有關海洋考古術語的研究日漸活躍，已形成包括語言學、考古學、術語學、翻譯學等多學科交叉、相互滲透的熱點領域。據(jù)有限統(tǒng)計，僅以“海洋考古”這一關鍵詞為索引，在科睿唯安(Clarivate Analytics)數(shù)據(jù)庫顯示有37個相關期刊，其中《科學》(Science)有229項檢索結果；中國知網(CNKI)檢索結果有47項，且呈逐年遞增趨勢。海洋考古術語整理、術語管理、術語打磨、術語概念內涵與外延、術語體系特征描摹、術語體系構建策略等成為該領域核心話題，且呈多元化發(fā)展趨勢。前期相關研究理論視角達10余種，如本體論[2]等。

然而，既有成果雖然豐碩但也存在明顯不足，主要體現(xiàn)為針對特定領域、特定區(qū)域研究居多，如從中國南海諸島文物遺跡、航線與沉船、輿地考釋等角度探討了術語的語源、變異、整理[3]。此類研究雖注重學術互動與學科知識表征的變化規(guī)律，然而全息視角的缺失造成術語使用缺乏一致性，無論作為研究對象還是研究視角，顯然不足以對探索海洋考古術語體系構建路徑形成全面觀照和映射。從這個角度講，編纂一部《海洋考古術語漢英辭典》可有效解決海洋考古術語概念結構和內涵剖析較為零散、語際對比尚付闕如、術語體系構建有待系統(tǒng)化、理論化等問題，在一定程度上利于描摹該領域熱點及發(fā)展態(tài)勢，匯集交叉學科優(yōu)勢與資源，樹立共同的學術目標、發(fā)現(xiàn)共同的學術問題，發(fā)揮思想碰撞與科研凝力、形成強有力的學術共同體，以更好地構建海洋考古術語學“三大體系”，提升在國際學界的話語權。

《海洋考古術語漢英辭典》體現(xiàn)著該術語體系構建的核心要素(如概念、邏輯、框架等)，其編纂的要務便是方法的科學化[4]。本研究采用語料庫驅動法，通過文獻計量分析，探討《海洋考古術語漢英辭典》編纂的原理及框架。

1 語料庫驅動法與文獻計量分析

語料庫語言學是具有較強方法論導向的語言學分支[5]158，語料庫驅動法與術語體系研究聯(lián)系緊密，已廣泛應用于辭典編纂等工作。其原理可歸納為通過觀察大規(guī)模語料庫中真實的語言數(shù)據(jù)，析出對研究領域有意義的詞、詞塊、詞匯搭配、程式化序列等，進行術語提取、術語定義、術語分類、術語分析，制成詞表并整理詞條入典?；趯I(yè)術語的特殊性(如海洋考古術語)，構成語料庫所用的語料受語域限制，一方面需為所研究領域兼具權威性、代表性、前沿性的學術文獻(如專著、核心期刊論文等)；另一方面需對其進行文獻計量分析，用數(shù)學和統(tǒng)計學的方法，定量地分析所研究領域知識載體[6]，注重量化的綜合性知識體系，計量對象主要為詞匯(如關鍵詞、高頻詞等)、作者(如個人、團隊)、文獻量(如出版物、引文)，以厘清該領域術語界定、熱點術語、術語發(fā)展態(tài)勢，從而深化術語辭典編纂的指導意義。因此，本研究的方法論主要由三部分構成：海洋考古語料庫構建、術語數(shù)據(jù)提取及處理、海洋考古文獻計量分析。

1.1 海洋考古語料庫構建

本研究按照海洋考古相關性擇取語料并構建可比語料庫(comparable corpora)，旨在采用自下而上的語料庫驅動的范式對海洋考古漢英術語體系進行統(tǒng)一整體描寫。該庫包含“中國海洋考古文獻語料庫”(Chinese Maritime Archeology Corpus，簡稱CMAC)及“英語海洋考古文獻語料庫”(English Maritime Archeology Corpus，簡稱EMAC)兩部分，由權威性、代表性、前沿性的學術文獻組成。其中，CMAC語料來源為2012至2022年間出版或公開發(fā)表的30部中文海洋考古專著及50篇中文核心期刊論文；EMAC語料來源為2012至2022年間公開發(fā)表的100種英文海洋考古核心期刊論文。CMAC與EMAC語料容量各自為1000萬形符(token)。此外，本研究對英文期刊做了限定，須同時滿足以下三個標準：

(1)以海洋考古為主要研究對象的刊物；(2)被《科學引文索引》(SCI)、《社會科學引文索引》(SSCI)或《藝術與人文科學引文索引》(A&HCI)收錄；(3)刊物影響因子在0.5以上。

CMAC與EMAC在語料規(guī)模、語料類別、語料時效上均具有較強的可比性。

1.2 術語提取及處理

在本質上，術語是“領域專家用來刻畫、描寫領域知識的基本信息承載單元，是信息檢索和信息抽取的重要單元，是知識庫中的核心成員，也是本體構成的基本單元”[7]124。領域術語提取及處理方法大致可分為三類，即基于語言規(guī)則的方法、基于統(tǒng)計的方法、規(guī)則和統(tǒng)計相結合的方法?；谝?guī)則的方法主要應用規(guī)則庫或規(guī)則模板，通過提取語料庫中與之對應的中文的字、詞、詞組或英文的詞、詞塊、詞匯搭配、程式化序列等來確定術語。基于統(tǒng)計的方法則是依靠統(tǒng)計量度發(fā)現(xiàn)語料庫中字與詞的使用規(guī)律識別、提取術語(如基于互信息和似然度的方法[8])，或基于機器學習算法，如決策樹(Decision Tree)、支持向量機(Support Vector Machines)、最大熵模型(Maximum Entropy Model)、隱馬爾科夫模型(Hidden Markov Model)、最大熵馬爾科夫模型(Maximum Entropy Markov Model)等，對語料學習生成、訓練模型，繼而實現(xiàn)術語的自動識別、提取。規(guī)則和統(tǒng)計相結合的方法則綜合了這兩類方法的優(yōu)點，在一定程度上彌補了語言學知識和統(tǒng)計學方法的不足，將規(guī)則模板、統(tǒng)計手段、機器學習有機結合起來，利于進一步提高術語提取的準確率和效率(如基于規(guī)則與統(tǒng)計的本體概念自動獲取方法[9])。本研究基于海洋考古術語挖掘的窮盡性原則，從“總體史學”觀考察海洋考古術語體系，故采用規(guī)則和統(tǒng)計相結合的方法，其流程可見圖1。

圖1 術語數(shù)據(jù)提取及處理流程

表1 EMAC語料庫語料來源期刊樣例名錄

本研究涉及的中英文數(shù)據(jù)提取及處理均采用Python計算機語言編程完成。

1.2.1 中文數(shù)據(jù)提取及處理

中文數(shù)據(jù)處理主要包括分詞、標注、候選術語檢索三個主要步驟。首先，將CMAC語料庫中語料進行分詞，其目的是便于候選術語檢索。在Python

集成開發(fā)環(huán)境(Integrated Development Environment，簡稱IDE)中，中文分詞可通過Jieba[10]等工具實現(xiàn)。在Python IDE中，其代碼[11]如圖2。

圖2 中文語料分詞代碼

其次，對所得中文文本進行詞性標注，其目的是便于候選術語詞性界定以及辭典詞條錄入。詞性標注亦可通過Jieba實現(xiàn)。在Python IDE中，其代碼[11]如圖3：

圖3 中文語料標注代碼

再次，結合規(guī)則和統(tǒng)計的方法，對候選中文術語檢索并過濾。從規(guī)則層面講，海洋考古術語的界定需要建立在海洋考古學科語言使用特點的整體分析基礎之上，因此，本研究在借鑒前期研究成果[12]的基礎上，總結出三條規(guī)則對候選術語進行過濾：

(1)海洋考古術語詞條不得以介詞、量詞作首尾；(2)海洋考古術語詞條不得包含代詞、語氣詞及部分助詞；(3)海洋考古術語詞條至少包含一個動詞、名詞或名詞結構。

從統(tǒng)計層面講，海洋考古術語的提取需注重單元性和領域性，對于這兩個屬性的正確評價是“進行候選術語過濾的關鍵步驟，直接決定著術語抽取的準確率和召回率”[12]14。本研究采用Frantzi提出的術語抽取統(tǒng)計參數(shù)C-Value和NC-Value[13]來衡量候選術語的單元性和領域性。其計算公式分別為：

C-Value(a)=log2|a|·f(a) (a未被其他字符串嵌套)

NC-Value(a)=0.8×C-Value(a)+0.2×

∑b∈Cafa(b)·weight(b)

1.2.2 英文數(shù)據(jù)提取及處理

與中文數(shù)據(jù)處理不同，本研究涉及的英文數(shù)據(jù)處理主要包括N元組(N-gram)提取、搭配強度計算、詞形歸并三個主要步驟。提取N元組的目的在于基于N-gram語言模型在盡可能大的語料庫數(shù)據(jù)中窮盡收集海洋考古術語。N-Gram 語言模型表示了語言中各詞之間的依賴情況[14]，其中N指大于等于1的任意自然數(shù)，如一元組(unigram)、二元組(bigram)、三元組(trigram)等。語言研究中，N一般情況小于等于10。N元組的提取主要依靠NLTK庫中ngram模塊，在Python IDE環(huán)境中，其代碼[11]如圖4：

圖4 英文N-gram提取代碼

所得N元組進行清潔處理后，考察元組內各元之間的搭配強度對海洋考古術語做進一步過濾。從統(tǒng)計量度角度講，本研究引入似然率(the Log-likelihood ratio)作為衡量搭配強度的方法，并確定比值大于等于3.84[15]的N元組構成海洋考古候選術語。例如，二元組的計算公式如下：

LL=-2logλ=-2log

可使用NLTK庫中的collocations模塊在Python IDE中計算其搭配強度，其代碼[11]如圖5：

圖5 英文N-gram搭配強度計算代碼

此外，海洋考古術語詞條的錄入要求英文條目忽略曲折變化及派生變化，因此，研究中對所得N元組進行詞形歸并(lemmatization)處理以有效過濾術語。

1.3 海洋考古文獻計量分析

大多前期辭典編纂相關研究并未慮及文獻計量分析，而本研究將其納入領域術語體系研究框架從宏觀到微觀主要有三方面原因：首先，研究采用語料庫驅動法，旨在對漢英海洋考古術語體系做全息描摹，因此，通過文獻計量分析，可以厘清漢英體系的海洋考古領域術語界定、熱點術語、術語發(fā)展態(tài)勢；其次，運用數(shù)學和統(tǒng)計學的方法，定量地分析海洋考古研究領域知識載體，是注重量化的綜合性知識體系的表現(xiàn)，利于構建新時代中國特色海洋考古術語體系；再次，以學者類型、期刊類型、語言類型為變量，從熱點話題、高被引論文、高被引學者、高被引論文的國家(地區(qū))分布等因素進行多維度交叉分析，利于探討漢英海洋考古術語體系接口，進而利于術語對譯(圖6)。

圖6 漢英海洋考古文獻計量分析原理

對比熱點話題用于探討海洋考古術語規(guī)范、術語更新、術語對譯、本土元語言等問題。對比高被引論文用于探討海洋考古領域學術動態(tài)與趨勢、理論創(chuàng)新與發(fā)展、學科發(fā)展與融合、本土理論構建等問題。對比高被引學者用于探討海洋考古領域學術權威與成果引用、學者研究興趣與焦點、本土學者培養(yǎng)與國際化等問題。對比高被引論文的國家(地區(qū))分布用于探討民族主體與文化自信、話題選擇與成果推廣等問題。上述分析意在圍繞海洋考古術語領域“我國目前優(yōu)勢有哪些？”“在哪些方面領先？”“在世界上處于何種水平？”“尚存哪些薄軟環(huán)節(jié)？”“如何彌補這些弱勢？”等問題進行理據(jù)探討，繼而為編纂《海洋考古術語漢英辭典》服務，為構建新時代中國特色的海洋考古術語體系建設服務。

2 編纂《海洋考古術語漢英辭典》的基本框架

2.1 漢英海洋考古術語對譯

綜上所得海洋考古術語詞表經過人工復檢，按照如下三條原則進行對譯：

(1)單義性原則，漢英海洋考古術語對譯過程按語義內涵與外延對接，具有意義排他性，即術語的意義是單一的、專用的，一個概念只能對應一個專門固定的術語，“一詞一義”。

(2)科學性原則，漢英海洋考古術語雙向“對比”與“反饋”要從科學概念出發(fā)，根據(jù)所描述事物的屬性準確地、嚴格地進行語義對接，做到“名副其實”。

(3)系統(tǒng)性原則，漢英海洋考古術語根據(jù)各自體系概念相關聯(lián)的程度，以“術語群”的方式構成合理的分類體系(如上下義關系)的有機整體，做到“物以類聚”。

值得注意的是，不可譯性術語遵循“三貼近”原則[16]，即貼近中國發(fā)展的實際，貼近國外受眾對中文術語的需求或中國受眾對英文術語的需求，貼近中外受眾的思維習慣進行轉譯，力求規(guī)范統(tǒng)一、遵從習慣、譯名從實、功能對等?？s略詞依據(jù)慣用性、通俗性原則進行對譯，如“l(fā)aser”對應“激光”，不對應“受激輻射放大光波”。

2.2 詞條錄入

依據(jù)漢英海洋考古術語對列表，利用辭典編纂法，制定《海洋考古術語漢英辭典》詞條收錄規(guī)范及標準，系統(tǒng)整理、錄入詞條，同時解決海洋考古文獻中術語規(guī)范、術語更新、本土元語言等問題。辭典所列詞條在形式上簡明、精練，在語義上準確、清晰，在內容上豐富、全面，旨在涵蓋海洋考古學科的所有基本范疇。每個詞條包含以下要素：中文術語、注音、對應的英文術語、中文注釋、英文注釋(或譯文)、配例、引文等。此外，因罕用術語，或稱“一次詞”(Hapax legomenon)，在術語規(guī)范、術語更新、本土元語言層面有著較大的研究價值，故在本研究中詞條錄入環(huán)節(jié)除涵蓋上述要素之外，還注明罕用術語出處。

《海洋考古術語漢英辭典》中文詞條錄入注重單元性與領域性，根據(jù)術語表人工復檢結果，僅錄入在海洋考古領域具有“嚴格意義”的術語作為擬編纂辭典詞條。中文詞條注音參照《漢語拼音正詞法基本規(guī)則》(GB/T 16159—2012)，并嚴格按照該標準中的分詞連寫規(guī)則、人名地名拼寫規(guī)則、大寫規(guī)則、標調規(guī)則、移行規(guī)則、標點符號使用規(guī)則以及變通規(guī)則等[17]。英文術語對照相應的中文術語進行錄入，如遇文獻計量分析中只有一方體系存在(如，術語在中文文獻中存在，在英文文獻中缺失；反之亦然)，而對應術語采用轉譯等手段來編制錄入的情況，則以符號“[譯]”進行標注，以方便學界明晰不同術語體系間的差異性，以及學術熱點與態(tài)勢等。中文術語注釋遵循“中文學術文獻定義為主、百科資料(如百度百科)為輔”的原則，言簡意賅地對中文術語的內涵與外延做系統(tǒng)描述。同理，英文術語注釋遵循“英文學術文獻定義為主、百科資料(如維基百科)為輔”的原則，言簡意賅地對英文術語的內涵與外延做系統(tǒng)描述。中英文配例依據(jù)CMAC與EMAC中的真實語料為海洋考古術語提供語境，一方面可以彌補術語注釋的不足，另一方面便于辭典使用者理解術語，并基于語料庫所提供的語境從語用角度采用“忠實-模仿-創(chuàng)新”的原則正確使用術語。術語引文主要涉及術語詞源信息與相關資料，便于辭典使用者“追根溯源”，明晰術語演化歷程、推演術語發(fā)展趨勢。本文僅以“聲吶-sonar”這一術語對為例，描摹《海洋考古術語漢英辭典》中術語的呈現(xiàn)。

表2 《海洋考古術語漢英辭典》詞條樣例

2.3 進展安排與總體反饋

《海洋考古術語漢英辭典》擬收錄不少于6000個詞條，其總體思路遵循提出問題、術語界定、數(shù)據(jù)挖掘、數(shù)據(jù)應用、理論構建與評價的思路開展研究，對海洋考古史料做整體梳理，挖掘術語數(shù)據(jù)并打磨，形成漢英海洋考古術語辭典及數(shù)據(jù)庫，并系統(tǒng)化、理論化。主要采用四種具體研究方法，即語料庫驅動法、文獻計量法、辭典編纂法、理論凝結法，遵循體系化、鏈條式頂層設計，按照“分工協(xié)作、交叉進行、相互配合”的實施路徑，圍繞海洋考古術語的理論體系構建與實踐應用開展研究?？傮w進度安排分為三個階段(36個月)：

(1)綜述、建庫：文獻整理，首先進行分類并排序，制作成電子文本，以便共享；其次，對資料進行定性和定量分析，去粗取精、去偽存真，全面建成CMAC和EMAC。

(2)錄入、編纂：采用“漸進式”詞條錄入原則，完成術語整理、篩選、標注、分類、可視化分析，研發(fā)基于N元組模型開發(fā)術語詞表，完成擬收錄詞條的全部編輯及排序。

(3)審查、理模：赴中國海外交通史研究會、北京大學海洋研究院、中國海洋大學海洋文化研究所等開展調研，針對專家反饋進行校驗，并構建海洋考古術語體系理論模型。

目前，該辭典編纂工作已完成“綜述與建庫”階段，并對約2000個詞條進行了整理與編輯，經過前期模擬校驗，基本達到了預期目標。與其他同類辭典相比，《海洋考古術語漢英辭典》體現(xiàn)出如下優(yōu)勢：

(1)窮盡性：從“總體史學”觀出發(fā)建構框架，堅持歸納與演繹、科學與價值辯證思維，整合世界范圍內海洋考古研究資源，對海洋考古術語做全息描摹。

(2)前沿性：語料庫驅動、文獻計量、詞典編纂、理論凝結等方法互相支撐，兼顧理據(jù)，依據(jù)近十年國內外海洋考古研究文獻做術語整理，體現(xiàn)學術前沿。

(3)創(chuàng)新性：語言學、考古學、術語學多學科交叉融合，問題聚焦；計算機語言與統(tǒng)計分析軟件結合使用，優(yōu)勢互補，推進海洋考古術語跨學科創(chuàng)新研究。

2.4 海洋考古術語體系建構

編纂《海洋考古術語漢英辭典》的意義不僅是為學界增添一部工具書，而且是通過這部工具書描摹、探析海洋考古漢英術語體系的異同，繼而構建起新時代中國特色海洋考古術語體系、提升中國在國際學界的話語權。因此，利用理論凝結法，從民族主體性、理論原創(chuàng)性、術語規(guī)范性、學術權威性等角度出發(fā)，按照互為參照與體系分類相結合、量化分析與質性分析相結合、整體研究與個案研究相結合的原則，探討中國海洋考古術語體系構建的理論框架亦是本研究的理論價值與實踐價值所在。

首先，依托中國海洋文化價值觀，探討海洋考古術語研究的動態(tài)與趨勢、理論創(chuàng)新與發(fā)展、學科發(fā)展與融合、本土理論構建等問題是術語體系構建的前提。海洋考古術語領域的發(fā)展歷程表明，沒有任何一種理論和方法是放之四海而皆準的[18]。立足中國國情來研究中國和世界海洋考古的趨勢，既是學術自覺與學術自信的回歸，又是提出新理論、提供新方法的有益嘗試。語料庫與計算機編程技術相互支撐，文獻計量與統(tǒng)計分析相互補充，知識與應用互為觀照，將更多的方法論納入研究范圍，消除學科壁壘，使其成為一個橫跨文理的學科群。換言之，術語體系的構建過程也是理論創(chuàng)新、方法創(chuàng)新、知識創(chuàng)新的過程，而《海洋考古術語漢英辭典》的編纂則是推動這一進程的內生動力。

其次，發(fā)展本土海洋考古術語，適當擇用本土元語言，制定海洋考古術語研究“中國標準”是術語體系構建的關鍵。從這個角度講，《海洋考古術語漢英辭典》的編纂是一個圍繞“什么是術語？”“術語界定標準是什么？”等問題，探討海洋考古領域概念內涵與外延、厘清概念間的相互關系、梳理概念邏輯結構的過程。作為概念載體的術語，其歸屬權往往與學術話語權有內在的關聯(lián)[19]。在海洋考古領域，學術元語言基本以英文為主，以致我國學者在理解重要理論與方法、在國際學界發(fā)表觀點與見解等方面在很大程度上仍囿于西方學者。因此，海洋考古術語體系的構建要結合中國社會文化語境來探析概念、歸納演繹領域術語，使用中文對英文海洋術語體系進行解構、并立足本土研究與實踐慣例對其進行重新建構，形成一套有中國特色的術語使用規(guī)范，以提升在國際學界的話語權。

再次，深化“總體史學”觀，以本土語料為驅動，探索本土研究范式，樹立“考古術語學”理念是術語體系構建的必要條件。術語體系構建離不開語言數(shù)據(jù)，術語提取、術語分類、術語定義、術語分析也離不開自然語言文本的挖掘、檢索、統(tǒng)計、定量定性分析等。語料的性質、來源對于術語體系的建設起到了決定性的作用。范圍過窄、數(shù)據(jù)不足、方法陳舊則明顯不利于體系建設，反之亦然。《海洋考古術語漢英辭典》編纂所采用的語料幾乎涵蓋了近十年間海洋考古領域的權威性前沿成果，具有一定的代表性，可從統(tǒng)一整體觀對其做全息描寫，對比分析亦形成全面的觀照和映射。加之，中文語料的比例較以往研究而言有著較大幅度提升，著重挖掘本土術語數(shù)據(jù)，為推動本土研究、提升學科地位有著重要意義。因此，海洋考古術語體系的構建需要拓寬其研究視野、豐富其研究內容。

此外，《海洋考古術語英漢詞典》編纂的本體研究對語料庫驅動法及該方法論所涉及的定量與定性分析做了詳盡的剖析，并提出理據(jù)。不難看出，與基于語料庫方法相比，語料庫驅動方法視語料庫為一個整體，從數(shù)據(jù)挖掘的角度而言，通過設置“規(guī)約”與“條件”等手段，過濾掉語料庫中的“冗余數(shù)據(jù)”。因此，該方法更為“徹底”，具備全面性、系統(tǒng)性、窮盡性等特點。就《海洋考古術語英漢詞典》編纂原理而言，語料庫驅動法顯現(xiàn)出一定的普適性，對其他學科領域術語體系的構建亦有一定的指導和借鑒意義。

3 結語

海洋考古術語研究作為海洋考古學、語言學、術語學、翻譯學相互交叉的領域，吸納了眾多學科的專業(yè)知識，并積極與其他學科“對話”，努力形成了可持續(xù)發(fā)展的“學科群”。尤其，隨著語言學與計算機科學的深度融合，語言資源的數(shù)字化為海洋考古術語體系的動態(tài)建設注入了新的動力。術語數(shù)據(jù)的處理、管理、計量、統(tǒng)計等技術的更新、迭代都為其體系建設提供了有力保障。

編纂《海洋考古術語漢英辭典》的目的是在盡可能大的海洋考古領域的語言數(shù)據(jù)中，通過文獻計量分析，對海洋考古本體范疇的概念進行挖掘、描摹、比較、匯總、歸類、分析、解釋，形成科學化、系統(tǒng)化、理論化的中國特色海洋考古術語體系，從“總體史學”觀解決前期研究“碎片化”、較為零散的問題。該辭典契合了海洋考古“三大體系”建設，體現(xiàn)了該領域術語體系構建的核心要素，在一定程度上利于描摹該領域熱點及發(fā)展態(tài)勢，匯集交叉學科優(yōu)勢與資源，突破研究領域桎梏與學科壁壘，拓展研究范圍[20]，旨在樹立共同的學術目標，發(fā)現(xiàn)共同的學術問題，發(fā)揮思想碰撞與科研凝力，形成強有力的學術共同體，推動海洋考古學科發(fā)展，提升該領域在國際學界的話語權。