浅析现代汉语法律语料库的建立及其词汇计量

2020-11-20李小亚

法制与社会 2020年31期

摘要法律语言学在我国出现的时间才三十多年，其注重书面语的研究，与国外法律语言学的研究相比，所研究的内容范围较窄，所使用的研究方法也比较陈旧。建立法律语料库，有利于推进法律语言学的研究。本文将首先分析法律语料库建立的原则与步骤，简要介绍法律语料库分词与词性的标注方法、法律语料库的词频统计与词表比较、法律语域基本词汇的分类分析、法律语域管用表达式的提取。

关键词法律语言语料库词汇统计提取

基金项目：广西民族大学相思湖学院2019年度院级科研立项项目、项目编号2019YJKY25 。

作者简介：李小亚，广西民族大学相思湖学院，讲师，研究方向：语言学、应用文写作、秘书学。

中图分类号：H136 文献标识码：A DOI：10.19387/j.cnki.1009-0592.2020.11.078

一、法律语料库的建立

（一）法律语料库的定位

法律语言学研究的对象主要包括：口音识别、录音文本的生成、录音鉴定，对著作权、版权、书信等的鉴别;商标侵权、庭审语言、法庭翻译等等。这个庞大的系统中不仅有法律文书等书面语，还有询问、庭审等口语资料[1]。法律语言库并不是要研究语言发展的历史，而是要关注语言在当下社会环境中的现实意义。所以，法律语言库的定位是静态语料库。

（二）法律语料库的建立原则

1.代表性。法律语料库的建立必须要具有代表性，且具有真实性。在大数据时代，建立一个含有上亿词次的语料库已经是一件轻而易举的事。但是法律语料库的建立并不需要越多越好的语料，只需要一些具有代表性的法律语言[2]。语料还必须保证真实性，首先，必须要按照书面语的要求体现语料，使用随机抽取的方式选取语料。

2.平衡性。在建立语料库时，要注意文本之间的比例和文本的时间。在语料库中，法律法规和司法语言需各站50%。语料库中的文本必须是符合时代特性的法律语言，能够真实反映当前法律语言使用的环境[3]。

（三）法律语料库的建立步骤

1.确定体例。在建立法律语料库时，要清楚地了解法律的内部体系。

2.收集语料。在第一阶段确定的体例基础上，搜集大量的语料。

3.整理语料。将符合要求的文本提取出来，剔除掉不符合要求的文本。

二、法律语料库的分词和词性标注

（一）分词校对的问题的讨论

在分词校对时，首先使用机器对分词进行自动分类，然后人工检查进行校对。人工校对的队伍由以下几部分构成：首先是五位语言学的硕士研究生，他们负责在一个月的时间内，每人校对20万字;然后由笔者一人校对完成所有字数[4]。在校对之前，为了应对法律特殊性给校对工作带来的不便，因此制定了以下的规定：

1.把所有法律法规的名称当做一个切分单位。例如，“人口与计划生育法”，不需要切分成“人口/与/计划/生育/法”。但是法律不法规的名称不能和国家的名称合并为一个分词，例如由人大颁布的法律，应将名称切分为“中华人民共和国/刑事诉讼法”。

2.应将罪名切分成一个单位。即不能把“非法买卖枪支弹药罪”切分成“非法/买卖/枪支/弹药/罪”。

3.将立法机构、执法机构、司法机关的名称切分成一个单位，但要与其前面的行政区切分成两个单位。例如，“北京市人民检察院”分成“北京市/人民检察院”，而不是“北京市/人民/检察院”。

4.将公民的权力切分成一个单位。例如，“被选举权”不能切分成“被/选举权”，“商标专用权”不能切分成“商标/专用权”。

5.在法律意义上被认为是一个主体的人不需要切分单位。例如，“限制民事行为能力人”不需要切分成“限制/民事/行为/能力/人”。

6.针对一些由两个或两个以上短语构成的词，也不用切分，只需当做一个分词。例如“在案为证”不用切分成“在/案/为/证”。

（二）分词中其他问题的处理

1.为了保护设计诉讼的当事人的隐私，因此，在法律文书中以“张**”的形式表示当事人的姓名。切分一般按照姓名的规范，把当事人的姓和名切分成两个单位，即“张/**”。

2.法律文件中日期的分词，一般都直接按照“年/月/日”的分词方法，即“××××年/××月/××日”。

3.为了保护设计诉讼的当事人的隐私，因此，在法律文书中以“××省××市××乡××村”来标注地址，通常并不把行政区划和自然区划分成一个单位，而是分成“××/省/××/市/××/乡/××/村”。

4.校对时，还要注意机器是否将“养父母”“养子女”分词成“养/父母”“养/子女”。

（三）詞性标注的问题的讨论

在法律文书中，将此行标记成26个英文字母小写。用a表示形容词，b表示区别词，c表示连词，d表示副词，e表示叹词，f方位词，g表示语素，h表示前接成分，i成语，j简称略词，k后接成分，l习用语，m数词，n名词，o象声词，p介词，q量词，r代词，s处所词，t时间词，u助词，v动词，w标点，x表示字，y表示语气词，z表示状态词。

机器在对词性进行标注时，容易标注错误，因此需要人工校对时的二次检查。

1.表示序数词的“第”标注成前接成分（h）。

2.根据上下文的含义标注××的词性，当上下文为“第××号”时，将“××”标注成数词（m），当上下文为“××省××市××乡××村”时，将“××”标注成名词（n）。

3.当“男”和“女”后面未出现“青年”等字样，则当做名词（n），若出现“青年”等字样，则标注成区别词（b）。

三、法律语料库的词频统计与词表比较

（一）词频统计

校对工作完成对分词和词性的标注后，需要统计法律文件中的词频[5]。在展开词频统计之前还有以下工作要处理：

1.删除阿拉伯数字。这个步骤只是删除单独的阿拉伯数字，不处理与汉字或外文字母连在一起的阿拉伯数字。

2.删除标点符号。标点符号主要包括“，”、“。”、“、”、“（）”、“;”、“：”、“《》”““””、“[]”、“<>”、“？”、“！”、“‘”、“——”。

3.删除汉语拼音与外文字母。校对时，需要删除代表物品名称、计算机网络域名、机构名、国名的汉语拼音和外文字母。

4.将代表词频的词条删除。

5.删除带“××”的人名或地名。

（二）词表比较及共有词汇

法律语料库是一个具有专业特性的语料库，不能孤立地看其中的词汇，要与汉语语料库进行比较，才能总结出法律词表的特性。通常来说，首先要与通用与词表进行比较，常见的比较对象是《现代汉语频率词表·表二（2）频率最高的前8000个词词表》。可以先后从该词表中选取出前200个词和后200个词进行比较校对。虽然这个比较的规模并不大，但是基本上能够将法律语料库与《现代汉语频率词表》的差异性显现。其次，要将法律语料库与《人民法院公文主题词表》进行比较，该词表编制的目的就是为了提高计算机储存和检索的效率，提高法院管理法律文书的水平。在校对时，法律词的部分我们选择基本词汇部分，主题词选择全部词。如果比对过程中出现词汇频次的较大差异，可以归结为以下几个原因：

1.覆盖面的差异。《人民法院公文主题词表》仅仅体现了一个司法系统的语言使用的频次，而法律语料库则覆盖了所有法律文件中的词汇频次。另外，《人民法院公文主题词表》只用于人民法院的日常工作中，不能全面地反应其他法律机构日常工作中使用法律词汇的频次。

2.时间的差异。随着时间的变化，法律语言中出现的主题词等必然会随之更新，《人民法院公文主题词表》从1996年开始实行，距今已经24年，必然与最新修订的法律语料库有很大的词汇使用差异。

3.在比较时，我们只选择了《人民法院公文主题词表》中的基本词汇，没有涉及低频词和罕频词。因此，也可能会造成两种语库的差别。

尽管由以上原因会造成比较出的结果具有差异性，但也不否认这种比较的意义。我们在校对时，对这两种语库进行比较的基础是：

1.《人民法院公文主题词表》是在人民法院中被广泛使用的，但是其中的词汇包括了整个司法系统的词汇。

2.《人民法院公文主题词表》体现的是书面法律文件使用的词汇频次。因此，主题词表与法律语料库都是具有法律背景的书面语，具有可比性。

四、法律语域基本词汇的分类分析

（一）法律词汇的提取和分析

法律语域根据词汇出现的频度，将词汇分成高频词、次高频词、中频词，并不考虑词汇的性质。既包括法律术语，也包括法律语域常见常用的普通词汇。

一般将词汇分成两种，A级是法律术语，B级是法律基本用语。法律基本用语包括：

1.与法律无关的意义，其通常也会被使用在非法律领域。如“解释、交待、主张”等词。

2.与法律无关的意义，其与法律语域的词汇串联在一起使用。如“剥夺政治权利”中的“剥夺”。