小型中醫英語口語語料庫構建研究?

杜雪琴，竇川川，晏 麗，龔 妍

(江西中醫藥大學, 南昌 330004)

過去二三十年,伴隨著現代計算機技術的發展與普及，語料庫語言學得到飛速發展。當前, 語料庫的建設與應用研究已深入至各專業、各學科領域。如何建立各種有地域、語體乃至學科特色的專用(專門學科或行業)語料庫是今后語料庫語言學研究的發展趨勢之一。同時，為了更好地滿足不同領域內的各種實際需求，國內外語言工作者已經建成或正在致力于開發各種專門用途語料庫。

隨著經濟全球化、文化多元化的發展，中醫對外交流日趨活躍，對中醫民族文化的傳承傳播已經上升為國家戰略工程。在此背景下，中醫英語外向型口語人才需求的進一步加大，對中醫英語口語教學的要求更為迫切。然而，中醫語言的復雜性與特殊性以及中醫術語英譯標準相對模糊、至今未開發出的中醫英語口語語料庫，更不必說基于語料的相關教學實證研究。鑒于語料庫建立和研究的專業化、特色化與學科化發展趨勢以及傳播中醫民族文化的迫切要求，建立中醫英語口語語料庫勢在必行。

1 語料庫語言學

自20世紀90年代，隨著計算機技術的發展與普及，語言研究開始了一場“讓數據庫說話”的語言革命。各種語料庫應運而生，并在語言學研究中發揮著不可比擬的作用。正如Teubert (2005)所說：“語料庫已經被幾乎所有語言學研究者看作默認的數據源。任何內省在未得到語料庫驗證的情況下，都不可能獲的人們的信任。語料庫已經成為幾乎所有語言研究的關鍵要素。[1]”

語料庫(corpus, 復數corpora)一詞來源于拉丁語，往往指的是“電子文本集”(a collection of texts stored in an electronic database)。語料庫研究者John Sinclair指出，任何語料庫研究均開始于語料庫的建立，語料庫的設計及選材幾乎控制以后所要做的一切基于語料庫的研究工作，研究結果的好壞只與語料庫的建設質量有關[2]。口語語料庫建立的框架大致包括語料庫整體設計、語料的收集與整理、語料的轉寫與標注、語料的檢索與查詢。語料庫構建與開發完成后，其優勢顯而易見，其作用可謂無法替代。正如John Sinclair指出，語料庫在外語教學中的作用即“只能提供真實例子”[3]，而口語語料庫既為外語學習者提供了大量真實的語言素材，構建了立足于可靠的語言數據的教學平臺，又為外語教學研究者提供了一種基于語料數據的實證研究方法，使其研究更具有科學性。

2 中醫英語語料庫研究現狀

中醫英語作為一門正在形成與發展的新興學科，是一門英語語言在中醫藥對外翻譯與交流過程中逐漸形成的一種獨特的表達體系[4]。近二三十年，國內外對其研究主要集中在中醫術語英譯標準化研究、中醫翻譯理論與實踐研究以及中醫英語教學研究等方面。同時，中醫英語的研究也呈現出“讓語料說話”的趨勢，涉及中醫翻譯的語料庫研究已經開展，并取得了一定的成果。如聞永毅自2003年一直致力于《黃帝內經》語料庫的開發與應用研究，以及蘭鳳利主持創建中醫經典文獻平行語料庫。這種發展趨勢已然表明了數據強大的說服力以及可靠性，促使對中醫英語研究方法從理論的歸納法轉向為基于語料技術的實證研究。

然而中醫英語語料庫研究仍處于起步階段，大多為語料庫的理論探討階段。國內近10年的研究主要從宏觀層面探討中醫英語語料庫建設的意義、理論原則以及總體方案。如薛學彥的“中醫英語語料庫建立的設想”[5]、聞永毅的“淺談建設中醫英語語料庫的意義”[6]、倪傳斌的“中醫英語語料庫建設原則”[7]等。此外，至今已開發或正在建的語料庫語料大多為中醫文獻與術語等書面語料，規模不大，且多應用于中醫英譯與術語標準化研究，缺乏一定的教學實踐研究。中醫英語口語語料的收集與開發相對滯后，且停留于設想階段，至今只有1篇相關論文，即陳滟、施蘊中的“語料庫語言學與中醫漢英口語語料庫”[8]。因此，中醫英語口語語料庫的開發、構建以及實際應用具有很大的研究空間與研究意義。

3 中醫英語口語語料庫的構建

中醫英語口語語料庫，按應用取向分類屬于專用語料庫。中醫英語口語語料庫可以定義為通過收集中醫英語領域的口語語料樣本(如視頻、CD等)，并對語音、語調、停頓詞頻率與搭配等口語特征進行標注而建成的，用于分析中醫英語口語的特點與規律或應用于中醫英語口語教學與研究的語料庫，其構建的基本步驟分為以下幾個方面。

3.1 語料庫的整體設計

語料庫整體設計是指從整體對語料庫進行規劃與設想，主要包括語料庫的規模、適用范圍以及文本類型等。按其適用目的與適用范圍，該語料庫屬于微型教學型語料庫，目的用于開展中醫英語口語教學活動以及學生實施基于數據驅動的自主學習。之所以選擇建立微型語料庫，主要基于以下考慮：首先，現有中醫英語口語語料書面語文本資源相對缺乏，收集范圍較小，且口語語料庫需要處理大量而復雜的語音轉寫與標注，因此建立微型語料庫是既考慮到實際情況,又避免了建庫過程中人力物力的要求。其次，小型語料庫符合中醫英語口語教學的個性化需求，既突出中醫語言的代表性與典型性原則，又避免了教學過程中出現因語料數據冗余而引起學習者無法快速、準確檢索的尷尬現象，從而有利于教師語言課堂的展示、教學講解以及學生課后自主學習。

3.2 語料的采集與整理

表1顯示，語料采集是構建語料庫的基礎工作。中醫英語口語語料范圍為專門的中醫英語范疇內的口語素材，主要從中醫英語教材以及網絡資源等獲取相關中醫視頻與音頻。為使采集到的文本便于開展教學，確定每一篇語料字數限制在 300 至 500 字之間，采集200篇語篇，初步設定語料庫的總容量為10萬詞。按話語類型分為討論、訪談和會話3種體裁形式。按主題分為中醫歷史與文化、中醫問診與處方、中醫診斷與治療以及中醫養生與保健。

表1 語料分類與文本數量

表2顯示，通過在中國知網輸入主題詞“中醫英語教材”進行文獻檢索以及網絡查找的方式，整理出2000年以來國內已出版的90余本中醫英語教材，并從中挑選出附有DVD光盤以及Mp3音頻的6本教材。

表2 中醫英語教材

表3顯示，從以上方式獲取語料后，首先采用一款名為“文本整理器”的免費軟件對文本的格式進行整理與統一。然后，按照上述分類，對不同類別的的語料文本進行命名，并采用ANSI或UTF-8編碼保存文本，最終形成語料庫的基本語料文件。以一篇網絡下載的中醫對話音頻材料為例，其主題為中醫診斷與治療，為會話類型文本，因此將其文件名命名為Diagnosis & Treatment_Conversation_01)。

表3 文本主要數據

3.3 語料的轉寫與標注

建設口語語料庫的關鍵環節是對大量語音進行轉寫與標注，這是一項極為耗時耗力的工作。本語料庫采用語音文件轉寫軟件為Sitman PC復讀機。該軟件十分方便，可以讓語音反復播放，并同時進行聽寫練習。標注是指利用各種標簽對語料庫中文本的各種屬性加以標記。最常見的包括元信息標注、詞性賦碼、句法標注、語義標注、語用標注、語音標注、語誤標志等。

上海交通大學語言文學工程所開發的國內第一個學習者英語口語語料庫——中國大學學習者英語口語語料庫COLSEC (College Learners’Spoken Eng-lish Corpus)，為本研究語料的轉寫與標注提供了必要的借鑒。遵循其真實性、完整性以及準確性原則，中醫英語口語語料庫采用不作任何主觀干預的自然描寫方式真實轉寫有聲語料中的原始語句(非完整句、語法病句、口誤、重復等話語現象)，并參照COLSEC制定的具體標注方案，用統一符號完整、準確地標注會話中的話輪轉換、語音語調、停頓、猶豫、打斷、非言語交際等口語特征[9]。目前常見的通用標注語言是XML(Extensive Markup Language)，使用標準的XML標注格式。本口語語料庫信息標注主要為三類，即元信息標注、話語信息標注和詞性賦碼標注。

3.3.1 元標注信息 元標注信息是關于文本的非語言信息，主要包括引用源、出版商、出版年代、作者以及相關的文本信息等。元標注信息一般在文本的頭部，也稱為頭文件信息標注。根據文本來源(data source)、檢索日期(retrieval data)、話語類型(data type)以及領域分類(data domine)，同樣以命名為Diagosis &Treatment_Conversation_01為例，具體的標注結構如下。

Conversation

3.3.2 話語信息標注 話語信息揭示話語的重要特征是，研究話語結構、交際策略、語用能力等問題的基本數據。話語信息主要包括話輪、打斷與重復、語音語調以及非語言信息等。參照COLSEC制定的具體標注方案，本語料庫采用的具體標注結構如下：話輪采用，的標注方式；打斷采用；不完整的句子或詞語采用“-”表示，停頓采用“…”表示，語調采用“、”表示升降調。以Diagosis&Treatment_Conversation_01部分文本為為例，具體標注如下。

The results are too slow. On top of that, just the thought of smoking needles poking into my flesh frightens me. (/sp2)

3.3.3 詞性賦碼標注 詞性賦碼指根據文本中的上下文信息，自動標注文本中所有詞的詞性過程，以方便檢索與語言處理。由于基于概率的詞性賦碼器 (probability-based POS taggers) 更適用于為學習者口語語料進行自動賦碼，賦碼準確率較高且性能穩定，其賦碼準確率受學習者口語語言水平影響不大[10]。所以，本語料庫選擇 Tree Tagger作為詞性賦碼工具，賦碼格式為使用一個符號如“_”，然后連同詞類碼標記到單詞后面。按照Tree Tagger賦碼集，以Diagosis&Treatment_Conversation_01為例，詞性標注如下。

Conversation

3.4 語料檢索與應用

當按照以上設計方案完成了整理、轉寫與標注等工作之后，中醫英語口語語料庫中的數據就可以通過使用目前較為成熟的AntConc檢索軟件導出索引行，從詞語、句法、意義等層面分析語言內部結構規律，如詞語搭配、句法聯結以及語境意義，或從語音、語調以及停頓等方面分析口語特征，并將之在課堂上展示。圖1、2顯示，如在中醫英語口語教學過程中，在Ant Conc主界面打開兩篇涉及中醫主題的文本，然后在Search Item欄輸入需要檢索的詞或短語，如Chinese Medicine, 點擊Start鍵，10個檢索結果快速地展示在Concordance頁面。通過主題詞檢索，學生可以清楚地看到中醫詞語搭配的規律。

圖1 利用Antconc檢索主題詞

圖2 Concordance頁面主題詞檢索結果

圖3、4顯示，同樣在檢索中利用好各種正則表達式，可以達到在賦碼后的文本中檢索各種句式結構。在Search Item欄中輸入正則表達式“V+”，語料中所有動詞結構的檢索結果可以一次性在Concordance頁面顯示出來，有利于學生掌握動詞詞組的搭配關系。

圖3 利用Antconc檢索動詞結構

圖4 Concordance頁面動詞結構檢索結果

基于以上的具體步驟，借助成熟的計算機軟件，中醫英語口語語料庫構建具有可行性，并可以將其輔助性地應用于中醫英語口語教學。如利用檢索索引中醫主題詞，了解中醫術語的詞頻搭配，或輸入中醫四字結構，分析其實際應用情況，或根據不同語境，以小組互動形式開展基于語料的中醫情境模擬，促進學生的口語訓練。此外，學生可以利用語料庫作為一種學習工具，進行主動探索與分析，實現基于數據驅動的自主學習。

4 結語

中醫英語口語語料庫是依托中醫學科而建立的小型專門用途語料庫，話語體裁與主題更為專一化。雖然該語料庫規模較小，但正如Bowker and Pearson所認為的，只要該語料庫精心設計，低至幾千詞、高至幾十萬詞的語料庫，都有助于專門用途語言的研究，其中的關鍵是要保證語料庫的開放性(即可持續擴充或升級)、數量足夠多的語料數據、語料的作者多元化以及語料的(出版)時間跨度明晰化，即與語料庫項目的研究目的緊密關聯[11]。因此，中醫英語口語語料庫的建設屬于一個動態、長期的系統過程。本研究僅屬于中醫英語口語語料庫建庫階段的可行性探討，在此基礎上的后續開發、數據研究以及教學應用階段，還需要研究人員的不斷探索與嘗試。