BYU语料库系统及其语言研究应用

刘喜琴　Mark+Davies

摘 要：美国杨百翰大学（BYU）的语料库系统现含10多个免费语料库，在规模、速度、检索方式、语料范围等方面均为同类之最。文章在简要介绍该系统的最新进展后，从语言资源和技术手段评价其优势与局限性。然后收集国内外基于该系统的重要前沿研究文献，建成小型文本，用AntConc软件输出其高频主题词，从而分析相关研究的热点和趋势。发现相关研究集中在如下互为交叉的领域——变异语言学、认知语言学、词汇语义学和语言习得或教学。最后从语言研究、外语教学与词典编纂三方面分析了该系统的应用前景，强调它在语言变异和认知语言学研究等方面的特殊意义，并阐述了相关研究的跨学科整合趋势。

关键词：BYU语料库系统；美国当代英语语料库；语言变异；认知语言学

中图分类号：H319.3 文献标志码：A 文章编号：1673-8454（2017）09-0038-06

一、BYU语料库系统简介

1.总体介绍

美国杨百翰大学（Brigham Young University）的语料库系统（www.corpus.byu.edu）由Mark Davies教授创建，目前主要包括11个英语语料库、西班牙语和葡萄牙语语料库各一个。这些语料库之间实现了无缝对接，相互补充，检索一致，自成体系，故称为“系统”。它们应用非常广泛，中国用户数量排世界前列。各库规模、语种（方言）、语料年份及发布年份如表1所示（Davies 2013c）。

最具代表性的是美国当代英语语料库COCA（Davies 2008-），是目前世界上最大的英语通用语料库，分口语、小说、报纸、流行杂志和学术期刊五个均匀的子库。此外还有四个谷歌图书语块库（Google Books）的高级检索平台，以及早期的几个语料库——Register Variation in Spanish、Polyglot Bible、Polyglot Book of Mormon、Medieval Spanish bibles和Latin/OSp/ModSp bibles。

2.最新进展

BYU语料库系统的新成员NOW Corpus、GloWbE和The Wikipedia Corpus规模巨大，但检索速度很快，是Sketch Engine或CQPWeb的五六倍。The Wikipedia Corpus是维基百科的高级检索平台，其检索功能远远超过维基百科原有系统，用户还可以挑选其语料来创建临时的个人专题语料库（刘喜琴、Davies，2017）。Hansard Corpus和CORE Corpus分别是英国议会演讲和网络英语语体语料，特别适于历时的语体研究。

Google Books的语料年份从16到21世纪，但其原有检索系统比较简单，用户能查到的信息仅是“冰山一角”。为挖掘该库潜能，Davies（2011a）设计了更为高级的检索平台（www.googlebooks.byu.edu），分美国英语、英国英语、百万图书、西班牙语四个子库。除词和词组外，可以检索子字符串（如*ake代表所有以ake结尾的词）、词目（如start的所有屈折变化形式）、词类（如“形容词+woman”）、同义词和搭配（相邻词）等。当然也可在此基础上组合查询，如“形容词+silliness的同义词”，以及一些特别的句法结构。改进后的检索系统使基于Google Books的英语词汇、短语学、句法、语义变化方面的研究成为可能 （Davies 2014c）。

此外，BYU语料库系统发布了几类基于COCA等的英语词频表——常用词词频表、多词单位（n-gram）频率表、搭配词（collocate）表和学术词表，大部分含文体分布信息。第一，常用词频表（www.wordfrequency.info）包括常用5，000词表、5，000-60，000词表和100，000词表。据该网站介绍，前面两个词表按词目（lemma）排序统计，可能更适合教学用，而最后一个词表按词形（word form）排序统计，含词汇屈折变化形式的频率信息，可能更适于研究用。第二，多词单位频率表（www.ngrams.info）含2至5词单位，其中百万高频多词单位表可免费获取。第三，搭配词表（www.collocates.info）中含节点词（node）与搭配词组合达430万对，是迄今世界最大、最精确的搭配词表。最后，学术词表（www.academicvocabulary.info）有三个：学术词族表（word families）、核心词表和总词表。该学术词族表接近Coxhead（2000）的英语学术词表，但提供的信息更丰富。学术核心词表含三千词，学术总词表含两万词。

二、BYU语料库系统评价

1.语言资源

从语言资源层面来看，BYU语料库系统的特点主要体现在规模、语料范围与分类以及词频表。

首先，其最大特色是语料库规模大、语料丰富，因此用户能检索到其他语料库无法查到的低频语言现象。加之COCA和GloWbE的部分语料原文和词库可下载，可进一步挖掘其语言资源。

其次，它语料来源范围广，且按地域、时间和文体三个维度进行分类，是观察语言变异（variation）的良好窗口。就地域而言，GloWbE和The Wikipedia Corpus的英语变体最多，COCA、BNC和Strathy語料库分别是是美国、英国和加拿大英语语料库。就时间而言，COHA的语料跨1810-2009这两百年，TIME跨1923-2006年，它们和COCA都可以分时段检索，每十年为一段。就文体而言，COCA语料分五大类37小类，加拿大Strathy分七类。NOW Corpus、Hansard Corpus、TIME和SOAP等分别代表不同文体。

最后，它提供的四类英语词频表在精确度、信息丰富程度为同类之最，这显然是因为有最强大的语料库支撑，且包含了词类、文体、时间段等各种信息，故利用价值特别大。

2.技术手段

BYU语料库检索系统基于关系数据库，这种基于浏览器—服务器、语料库与分析工具合二为一的软件系统，是在互联网语料库（web as corpus）和云计算（cloud computing）的影响下应运而生的（许家金、吴良平，2014）。其语料按特定格式存储于服务器，用户只要联网即可操作分析。从技术上来看，BYU主要有如下优势。

首先，它界面友好，查询方便，检索方式多样，检索功能强大。若对比BNC和Google Books的原有系统与BYU平台，就能凸显其优越性。仅就其句法检索而言，像[start] to VERB（CHART | TABLE）、[end] up VERB-ing （CHART | TABLE）以及 who / whom + did + PRON（如who/whom did you（VERB））这类检索，在Google Books原有系统中只能逐个输入确切词组，耗时可能达到数天甚至数月，但BYU系统只用输入一次，仅需数秒时间（Davies 2011a）。至于搭配检索，在Google Books原有系统中仅能查询确切的语块，如[wear] + a NOUN或 VERB + his laughter，但在BYU系统中可以查询名词附近的wore，或者laughter附近的动词（Davies 2011a）。在数据结果呈现上，Google Books原有系统提供的仅是数据“曲线图”，BYU系统则可将原文数据拷贝到其他应用软件来进行比较分析，二者不可同日而语 （Davies 2011a）。

其次，该系统“跨时空检索”的特征是同类语料库系统很少具备的。系统内部各库实现了无缝对接，用户可自由跳转，如对比某语言现象在COCA与BNC中的分布异同。还有，因为其语料是按地域、时间和文体进行分类，使各种精确分类检索成为可能。以其Google Books为例，可比较一个语料库内部的两个不同时间段，如对比1960-2000年和1870-1910年这两个时间段中描述女性、艺术或音乐的形容词（Davies 2011a）。

再次，系统响应速度快，包括执行复杂检索任务时。它充分发挥了微软关系数据库技术的优势，这是第三代语料库分析工具——本地检索软件AntConc（http：//www.laurenceanthony.net/software/antconc/）和Wordsmith Tools（http：//www.lexically.net/wordsmith/）等无法比拟的。

最后，标注比较完善，词类标注准确率高。词频表可按词类检索，这也是少见的。其多词单位频率表因含有词类信息，可进行特别的查询，例如所有的“名词+名词”组合，或者“第一单词以某个字母开头、第二个单词以另一字母开头”的二词单位（Davies 2011b）。

当然，该系统除了以上优势特点外，有些方面仍有待完善。第一，因版权等原因，该系统未能开放其应用程序编程接口（API），专业人员无法以编程方式从某个端口获取数据查询结果，做成个性化软件，进行第二次开发。第二，限于世界范围内自然语言处理的瓶颈，语义标注的道路还很漫长，未来美好的梦想是能将WordNet那样的词汇数据库集成到这类在线语料网站。最后，一些复杂检索功能有待实现，如Google Books检索界面可查某词左边或右边的搭配情况，但两个条件不能同时限定。

三、语言研究应用的现状与前景

1.应用现状

基于该语料库系统的相关研究每年有数百项，因无法穷尽收集，我们通过如下两个途径来综合分析目前研究的热点与趋势：第一，收集具有代表性的论文共100篇（大多来源于SSCI期刊），做成小型文本库，用BNC高频词表（含6318词）做参照，用AntConc软件析出其主题词表；第二，收集852篇相关文献标题和关键词做成文本，用AntConc析出词频表。这两个词表中的非英语单词一律译为英语。

综合这两个词表的高频实义词，分类如下：①“语料库”类有COCA、BNC、COHA、TIME、corpus、corpus-based、corpus-driven；②“研究人员”类有Davies和Gries；③“词汇”类有word、vocabulary、lexical、verb、noun、adjective、preposition、modal；④“语块”类有collocation、phrase、idiom（atic）、pattern、formulaic；⑤“语言变异”类有variation、diachronic、comparison；⑥“认知语言学”类有cognitive、construction（al）、metaphor、grammaticalization；⑦“词义”类有semantic（s）、synonym；⑧“语言学习”类有EFL、learner、acquisition、teaching、effect；⑨“频数与使用”类有frequency、use、usage、pragmatic（s）；⑩ “话语与小句”类有discourse、clause。其他还有English、American、Spanish、linguistic（s）、dictionary、translation、morphology、grammar等表示研究对象或领域的词。

根据以上两个词表查看索引行与原文献，得知相关研究集中于英语词汇和语块，特别是动词、名词、形容词和介词，主要涉及如下互为交叉的领域——变异语言学（variational linguistics）、认知语言学、词汇语义学和語言习得或教学，现仅举数例说明。

在变异语言学方面，主要涉及词汇的历时和共时变异，也有从词汇和语块入手研究语体（文体）差异的研究。Liu（2011）对比了英、美英语最高频短语动词，以及书面学术文体中的高频语块_ENREF_28。Leech（2011）认为情态动词的使用有降低趋势，Lindquist（2009）观察了but、global warming等的变化，Smith（2014）研究了英语口语和书面语新出现的主从连词，Andersen（2014）以英语和挪威语为例研究了语用借用。Brown & Jie（2014）考察了新加坡英语变体。

在认知语言学方面，集中于构式（construction）、概念隐喻（conceptual metaphor）和语法化（grammaticalization）等。Goldberg（2011）从构式语法的角度研究了与格结构与双宾结构，Brinton（2014）考察了“as if”从语用化到构式化的过程。Oster（2010）从隐喻和转喻角度研究了表示“fear”意义的英语词，Simó（2011）对比了英语和匈牙利语中的blood隐喻，Zetterstr？觟m（2013）_ENREF_31基于不同文体分析了battle和fight的隐喻。Nykiel（2014）考察了英语目的连词的语法化过程。

在词汇语义学方面，集中于同义词辨析与词汇多义性研究，如Liu & Espino（2012）采用了Gries（2010）的Behavioral Profile（BP）分析法和Collostructural Analysis等语料库统计分析工具。另外，Ajsic（2014）考察了波斯尼亚语的政治性英语外来词，Lindstromberg（2010）研究了一批表示时间和空间的介词。

在语言习得或教学方面，也有多项对比研究。Liu & Zhong（2014）对比了一语和二语的同义词习得，对比了高、低学习水平组学术写作的立场标记，Chen（2013）对比了中、英、美三国学生英语短语动词的多用和少用情况。Davies & Gardner（2015）探索了大学生基于语料库的词汇学习途径，Chang（2014）研究了英语学术写作，Szudarski & Conklin（2014）探讨了背诵对二语搭配习得的效果_ENREF_16。

国内相关研究也逐步增加。王仁强、陈和敏（2014）以sneeze及物动词用法的规约化为例研究了动词与构式关系。方子纯、陈坚林（2014）采用BP分析法辨析了immense等几个表示“巨大”的同义词，揭示了其内部语义结构。于昌利（2014）对“a（n）...of...”类延展数量型结构进行了功能语法分析。外语教学的相关实证研究也多基于COCA，如方玲、汪兴富（2010）引导学生将其应用于自主学习，张金福（2012）用于大学生写作的词汇应用能力研究。

总体上，相关研究的特点是语言内部的共时与历时对比研究、跨语言对比研究日益增加，语种从英语辐射到西班牙语等。

2.应用前景

下面从三个方面分析BYU语料库系统在该领域的应用前景——语言变异和跨语言对比研究的拓展、认知语言学研究内容的深化、跨学科整合式研究的趋势。

首先，语言变异和跨语言对比研究牵涉语言学内部多个分支，如方言学、社会语言学、文化语言学、历史语言学、语言类型学等，其实证转向（empirical turn）和定量范式（quantitative paradigm）使之日益依赖于大型语料库来考察语言这个“有序异质体”系统。相关文献指出它在研究语言变异与对比的独特优势（Davies 2013b），如怎样利用BYU的Google Books进行英语历时变异研究（Davies 2014c），研究全世界英語地域变体的差异 （Davies & Fuchs 2015）以及英语句法变异（Davies 2014a）、Google Scholar和COCA在进行学术英语文体研究时有何差异（Davies 2013a）以及网络语体分类方法（Davies et al. 2015）。

其次，认知语言学同语料库语言学一样，支持以意义为中心、基于使用的（usage-based）语言理论，都认为“词汇和语法是不可分的”，前面的几组高频主题词就充分体现了这点。它在认知语言学领域的应用，不仅是提供例证和频率统计，而且发展到了数据计算、与其它实证手段日益结合的阶段。有BYU如此强大的语言仓库，认知语言学的研究内容可大大深化，特别是从搭配型式（pattern）出发、针对语言使用变异的构式语法（Construction Grammar）和认知词汇语义学研究，如Claes（2014）从认知构式语法的角度研究了西班牙语中存在构式（相当于“there is/are”）的复数化趋势。这当然是得益于该系统灵活而强大的句法及搭配检索，它能帮助研究者瞬间实现构式（或型式）检索，如VERB someone into VERB-ing （CHART | TABLE）、VERB one's way PREP（如“force his way into”）等，这是一般语料库无法做到的。

最后，跨学科整合式研究趋势势不可挡，主要体现在以下三点。第一，心理学、认知神经科学的语言认知实验结果往往要与语料库相互验证，二者合成汇流证据（converging evidence）。如Tanner et al.（2014）用事件相关电位（ERPs）研究了主谓一致的理解，Leshinskaya & Caramazza（2014）用功能性核磁共振成像（fMRI）研究了动作动词的理解，均用COCA提供语料佐证。但是，语料库显示的高频语言现象并不一定具有心理显著性，因此学科交叉中也面临一些挑战。第二，语言学研究者需要和计算机技术人员加强合作。前者需要后者的技术指导，如BYU语料库系统提供的COCA和GloWbE语料原文和词库，含有SQL数据库格式，需要数据库专业知识才可实现如下复杂检索：COCA学术—科技子库中最高频1000 个名词、中间位置为point的最高频500个三词单位（3-gram）、动词break后第4个位置搭配词中的最高频200个名词（Davies 2014b）。反过来，自然语言处理要在语料库的语义标注上取得实质性进展，必须依赖语言学研究成果，才能最终打破制约语料库资源利用的这个瓶颈。第三，语料库数据庞大，统计学方法显得尤为重要，像Gries等用R语言开发的语料库统计软件，优势十分明显。

總之，BYU语料库系统在规模、速度、检索方式、语料范围等多个方面上都堪称世界第一，在语料库历史上留下了浓墨重彩的一笔。它虽有些不完美之处，但瑕不掩瑜，蕴藏了巨大潜能。它从共时和历时双重角度大大拓宽了语言研究的视野，特别是从认知语言学的角度进行语言变异的实证研究。

参考文献：

[1]Ajsic， A. Political loanwords： Postwar constitutional arrangement and the co-occurrence tendencies of anglicisms in contemporary Bosnian [J].Journal of Language and Politics，2014.13（1），21-50.

[2]Andersen， G. Pragmatic borrowing[J]. Journal of Pragmatics. 2014（67）：17-33.

[3]Brinton， L. J. The extremes of insubordination exclamatory as if[J]. Journal of English Linguistics，2014，42（2）：93-113.

[4]Brown， D. W. & T. S. Jie. Singapore English and styling the Ah Beng[J]. World Englishes，2014，33（1）：60-84.

[5]Chang， J.-Y. The use of general and specialized corpora as reference sources for academic English writing： A case study[J]. ReCALL，2014，26（Special Issue 02）： 243-259.

[6]Chen， M. Overuse or underuse： A corpus study of English phrasal verb use by Chinese， British and American university students [J].International Journal of Corpus Linguistics，2013，18（3）：418-442.

[7]Claes， J. A Cognitive Construction Grammar approach to the pluralization of presentational haber in Puerto Rican Spanish[J].Language Variation and Change，2014，26（2）：219-246.

[8]Coxhead， A. A new academic word list[J]. TESOL Quarterly，2000，34（2）： 213-238.

[9]Davies， M. The advantage of using relational databases for large corpora： Speed， advanced queries， and unlimited annotation[J].International Journal of Corpus Linguistics，2005，10（3）：301-328.

[10]Davies， M. The Corpus of Contemporary American English： 450 million words， 1990-present[DB/OL].http：//corpus.byu.edu/coca/ （accessed 11/01/2015）.

[11]Davies， M. Google Books （American） [DB/OL]. http：//googlebooks.byu.edu/x.asp （accessed 11/01/2015）.

[12]Davies， M. N-grams data from the Corpus of Contemporary American English （COCA） [DB/OL].http：//www.ngrams.info （accessed 11/01/2015）.

[13]Davies， M. Google Scholar vs. COCA： Two very different approaches to examining academic English[J].Journal of English for Academic Purposes，2013（12）： 155-165.

[14]Davies， M. Insight into variation[DB/OL]. http：//corpus.byu.edu/variation.asp （accessed 11/01/2015）.

[15]Davies， M. Introduction to the BYU corpora [DB/OL].http：//corpus.byu.edu （accessed 11/01/2015）.

[16]Davies， M. Examining syntactic variation in English： The importance of corpus design and corpus size [J].English Language and Linguistics，2014，19（3）： 1-35.

[17]Davies， M. Full-text corpus data[DB/OL]. http：//corpus.byu.edu/full-text/database.asp（accessed 01/01/2015）.

[18]Davies， M. Making Google Books n-grams useful for a wide range of research on language change[J].International Journal of Corpus Linguistics， 2014，19（3）：401-416.

[19]Davies， M.， D. Biber， & J. Egbert. Exploring the composition of the Web： A corpus-based taxonomy of Web registers [J].Corpora，2015（10）：11-45.

[20]Davies， M. & R. Fuchs. Expanding horizons in the study of world Englishes with the 1.9 billion Word Global Web-Based English Corpus（GloWbE）[J].English World-Wide，2015，36（1）.

[21]Davies， M. & D. Gardner. A corpus linguistic approach to vocabulary learning for university students [A]. In Evans， N.， N. Anderson， & W. Eggington（Eds.）， ESL Readers and Writers in Higher Education： Understanding Challenges， Providing Support [C].London： Routledge， 2015.

[22]Goldberg， A. E. Corpus evidence of the viability of statistical preemption[J]. Cognitive Linguistics，2011，22（1）：131-153.

[23]Gries， S. T. Behavioral Profiles： A fine-grained and quantitative approach in corpus-based lexical semantics [J].The Mental Lexicon，2010，5（3）：323-346.

[24]Leshinskaya， A. & A. Caramazza. Nonmotor aspects of action concepts[J]. Journal of Cognitive Neuroscience，2014，26（12）：2863-2879.

[25]Lindquist， H. Corpus Linguistics and the Description of English [M]. Edinburgh University Press，2009.

[26]Lindstromberg， S. English Prepositions Explained [M].John Benjamins Publishing，2010.

[27]Liu， D. Is it a chief， main， major， primary， or principal concern？ A corpus-based behavioral profile study of the near-synonyms [J].International Journal of Corpus Linguistics，2010，15（1）：56-87.

[28]Liu， D. & M. Espino. Actually， Genuinely， Really， and Truly： A corpus-based Behavioral Profile study of near-synonymous adverbs [J].International Journal of Corpus Linguistics，2012，17（2）：198-228.

[29]Liu， D. & S. Zhong. L2 vs. L1 use of synonymy： An empirical study of synonym use/acquisition[J].Applied Linguistics，2014，37（2）：239-261.

[30]Nykiel， J. Grammaticalization reconciled： functionalist and minimalist insights into the development of purpose subordinators in English[J].Language Sciences，2014（42）：1-14.

[31]Oster， U. Using corpus methodology for semantic and pragmatic analyses： What can corpora tell us about the linguistic expression of emotions？ [J].Cognitive Linguistics，2010，21（4）：727-763.

[32]Simó， J. Metaphors of blood in American English and Hungarian： A cross-linguistic corpus investigation[J].Journal of Pragmatics，2011，43（12）：2897-2910.

[33]Smith， A. Newly emerging subordinators in spoken/written English[J]. Australian Journal of Linguistics，2014，34（1）：118-138.

[34]Szudarski， P. & K. Conklin. Short-and long-term effects of rote rehearsal on ESL learners' processing of L2 collocations[J].TESOL Quarterly，2014，48（4）： 833-842.

[35]Tanner， D.， J. Nicol， & L. Brehm. The time-course of feature interference in agreement comprehension： Multiple mechanisms and asymmetrical attraction[J]. Journal of Memory and Language，2014（76）：195-215.

[36]Zetterstr？觟m， M. The Battlefield of the Human Body Revisited-Metaphors and Cancer： A Comparison between Genres[D].Stockholm University，Stockholm，2013.

[37]方玲，汪興富.美国当代英语语料库（COCA）的自主学习应用[J].中国外语，2010（6）：79-84.

[38]方子纯，陈坚林.基于语料库的同义形容词行为特征研究[J].外语教学与研究，2014（6）：842-852.

[39]刘喜琴.语料库辅助EFL自主学习的多维探索[M].广州：华南理工大学出版社，2013.

[40]刘喜琴，M.Davies.个性化虚拟语料库及其应用[J].中国信息技术教育，2017.

[41]王仁强，陈和敏.基于语料库的动词与构式关系研究——以sneeze及物动词用法的规约化为例[J].外语教学与研究，2014（1）：19-31.

[42]许家金，吴良平.基于网络的第四代语料库分析工具CQPweb及应用实例[J].外语电化教学，2014（5）：10-15.

[43]于昌利.A（n）...of...类延展数量型结构的功能语法分析[J].外语教学与研究，2014（3）：375-388.

[44]张金福.基于美国当代英语语料库对中国学生英语作文中词汇应用能力研究[D].上海：上海外国语大学，2012.

（编辑：王天鹏）