语料库与基础英语教育

摘  要： 本文简要介绍了语料库的概念，强调了标注语料库在语言教学中的用途，并用大量的语言证据从词语搭配、词类搭配等方面说明语料库对基础的意义。同时，文章提出了应加强基础教育领域的语料库研究，使语料库能在该领域内发挥更大作用，促进我国基础教育进一步。

关键词：语料库；英语基础教育；语料库应用

一、语料库的概念

    语料库的使用早在几百年前就开始了（Kennedy 2000: 13-15）。但是，过去的“语料库”是非机操作，人们把需要的句子抄在卡片或纸条上，然后对其检索。所以，这种现象我们只能称之为语料库方法，而非意义上的语料库。

    有人把语料库定义为语言材料的仓库，该定义远远不能说明语料库的特征。

    语料库以计算机检索为手段。计算机有一个强大的检索功能，这是人所不及的。语料库中聚集了大量文本，而计算机对任意大的语料库进行检索易如反掌。所以，有人认为术语“语料库语言学”应为“计算机语料库语言学”（Leech 1997: 1）。

    语料库文本的收集是按照某些原则进行的。英国国家语料库（British National Corpus，以下简称BNC）的书面语占总库的90%，口语占10%，整个库的结构如表1所示。Brown语料库不包括口语，书面语的收集方法和BNC有很大不同，其结构见何安平（2004：141-143）。BNC的文本长度参差不齐，长的达436 048个单词，短文本只有25个单词；而Brown把文本的长度固定在2 000词左右，超出则删除。LOB（与Brown结构相同）语料库的文件长度平均为2 013单词左右。

表1BNC文本结构信息

    语料库分为生语料库（raw corpus）和标注语料库语料库语言学中“标注”、“赋码”、“附码”、“标识”、“标记”等均指对语料库内容标以识别信息，以便专用程序对其进行统计查询等。相应的英语术语（动词）有annotate, tag, parse, encode, markup, bracket等。本文统一使用“标注”这一说法。（annotated corpus），前者只是库（electronic archive），而利用标注语料库，不仅可以研究词语搭配，还可以研究词类搭配。标注就是文本标记词性码、语法码、语义码等，是语料库建设的重要阶段，是对文本增加语言信息的过程（Hunston 2002: 79-80）。例如BNC ［DCK.104］即文档DCK中的104行。中的一个句子：

      <s n=“65"><w AV0>Possibly <w AV0>so<c PUN>, <w ITJ>yeah<c PUN>.

     尖括号中的部分就是被标注的内容，这里有句子开始标记和句子序列信息、词性码、标点符号码。利用生语料库，可能的查询为Possibly so这样的搭配情况。但so前面还能使用其他什么副词，利用生库无法知道。利用标注语料库可以很容易找到和so搭配的其他副词：right / just / quite / much / more / rightly / a bit / actually / alright等。这些语言信息就是在有词性码的情况下得到的。所以，从语料库中提取语言信息时，码的作用不可比拟。

      语料库使用的语言材料应该是真实的。学习者语料库就应该体现出学生使用英语的原始情况，包括错误句子、拼写等。李文中多次批评“大学英语教材语料库由薛学彦建立的教材语料库。目前该库收集930个文本，近80万词容的语料，该库建设的第一阶段于2004年4月完成，包括结构标注和词性标注。”的真实性。他认为教材中的文本和原始文本相去很远，是经过编写人员改编的，从真实性的角度来讲已不能代表其原始文本个人交流。。总之，语料库的概念不是一个简单的语言材料的仓库，不是简单的文本量的增加。它涉及到取样、文本量、标注、甚至相关软件开发等问题。 

二、语料库应用与基础英语教育

    20世纪90年代以后，语料库和语料库语言学发展很快，原因是计算机硬件的普及和发展。世界上第一个计算机语料库Brown用了10年的时间尚未完工，而现在建立一个同样大小的语料库就易如反掌。

    目前，语料库的应用主要在辞书和其他工具书的编写，而且，欧洲国家远远领先我国的研究。朗文等几个大的出版社已出版几种有影响的、基于语料库的字典和工具书，我国的出版社在这方面的工作还很薄弱。

从应用层面来讲，语料库应用更应该在教学方面，尤其在基础教育领域。

从语料库语言学著作和其他研究成果中得知，常用词汇应该是语言学习的重心，而这些常用词语教学恰恰是在基础教育阶段。

有研究表明，英语中出现频率最高的1 000个单词，覆盖全部语料的80%左右（见桂诗春1988: 19-20；Kennedy 2000: 96）。表2是根据一个近5千万词的语料库统计出来的结果。大学英语教材语料库中出现频率为1次到2次的单词，占全部类符的50%；BNC的数据表明，出现频率为1次到2次的单词，占全部类符的60.2%。 

表2单词（类符）在语料中的使用比率

 *说明：出现频率最高的前100个类符占总形符（即全部语料）的52.77%，等。

     Sinclair和Renouf（1988，见卫乃兴 2002：26）认为，词语应当在教学大纲中占据中心地位。Alexander（1984，ibid.）也认为应以一种系统的方法对待词汇教学，其中，词组的学习，包括成语和种种固定表达方式，应是教学的起点。他建议教学过程中应重视“搭配”这一语言现象。

但是在我国，中小学阶段的教学很大程度上还停留在语法教学阶段，即使使用一套好的教材，有些教师还是不会放弃久已熟悉的教学方法，这样导致学生的语法知识比较扎实，但是他们的语用能力不是很好。图1和图2说明5，学生在单词a (an), the, no, every的使用方面还有很大的问题。

图1COLSEC中的冠词使用情况

图2COLSEC中名词使用情况

    通过语料库进一步查询得知中国学生在复数名词前面使用冠词（主要是the）的现象非常普遍。使用(AT|ATI)+NNSAT、ATI、NN1和NN2四个码分别表示a/an，every；the，no；单数名词和不可数名词；复数名词。表达式的意思为“AT或ATI与复数名词”的搭配。进行统计，在频率为50以上的单词中，BNC有7个单词，而COLSECCOLSEC为“中国学习者口语语料库”。这里的引用BNC的数据是重新标注了的，并和COLSEC的语料量相同。中有9个，而且总频率远远超出BNC：

      BNC：people (168) / police (122) / things (101) / women    (88) / children (76) / men (72) / flats (61)

      COLSEC：people (324) / students (275) / children (157) / pictures (114) / parents (101) / examinations (84) / advantages (71) / things (66) / benefits (63)

    AT和NNS的搭配有111组，这显然是错误的。属于这一类的单词有：children / students / people / coins / friends / kinds / lots / savings / sports / women / computers / girls/ parents / pictures/ scientists / advantages / applicants / bikes / bookworms / boys / cards / cars等，其中和a 的搭配占74次，和an搭配占1次，和every 的搭配占36次。例如：

(*) He can?t take care of every children in the family.

(*) I think every people should live a happy life.

    这种错误在CLECCLEC为“中国学习者英语语料库”。中出现频率较低，但是也有89次。

    这种错误是第二语言习得过程中的问题，说明学生的表达能力有待提高。这个提高就是要通过教材、教学活动、教学课件等途径，并编写适当的练习对学生经常犯的错误进行纠正。

    CLEC语料库中还有这样的句子：

    The government no longer allocate jobs for students.

    仅从词语搭配方面，这个句子的正确性就值得怀疑。在基于BNC的《当代朗文英语词典》的版中没有此搭配，整个BNC语料库中也找不到这样的搭配。

    以上种种例子表明，学生对基础词汇的掌握还不够，需要进一步加强，而这正是基础阶段的内容。

    早在20世纪初，西方就有人提出“搭配”的概念，后来又有许多人和完善这个概念的内容。但是，在机读语料库时期之前，人们对单词搭配能力的观察只能停留在“直觉”这个阶段，通过个人的行为观察文本，然后得出结论，对搭配词的使用统计没有一个依据，如频率等。搭配在语言教学中的应用很受限制。

    有了机读语料库以后，这些变得很容易。例如，单词fairly、rather和hot、good、poor、fluently的搭配情况如何呢？从BNC中提取所有搭配并其频率，结果如下：