外交學(xué)院 吉 潔

PATTIE兒童讀物及視聽材料英語語料庫的創(chuàng)建

外交學(xué)院 吉 潔

本文介紹“PATTIE（Preschoolers- and Teenagers-oriented Texts in English）兒童讀物及視聽材料英語語料庫”的建設(shè)概況。PATTIE語料庫主要收集由成人所寫，面向4歲到10多歲兒童的英文正式出版物，包括兒童文學(xué)、小學(xué)教材、科普讀物、報刊新聞和少兒動畫5種體裁，涉及英美等地出版物。語料庫經(jīng)過詞性標(biāo)注和元信息標(biāo)記，可在BFSU CQPweb語料庫平臺在線檢索。與面向成人的語料相比，兒童輸入語料不僅在內(nèi)容上更符合兒童的認知能力、價值觀念和興趣趨向，而且在語言使用上具有鮮明特點。PATTIE語料庫的建成將對兒童語言學(xué)習(xí)和教學(xué)發(fā)揮積極作用。

兒童讀物及視聽材料英語語料庫、PATTIE、兒童英語、語料庫建設(shè)

1. 引言

近20年來，語料庫語言學(xué)的研究熱點更多集中于學(xué)習(xí)者語料庫、雙語語料庫和短語學(xué)等研究（劉霞等 2014），兒童語料庫似乎并未得到廣泛關(guān)注。其實，基于兒童語料的研究已經(jīng)持續(xù)了一個多世紀(jì)。Preyer（1889）和Stern & Stern（1907）基于其子女的語料，初步探討了兒童語言的習(xí)得與發(fā)展。Thorndike（1921）和陳鶴琴（1922）為建立詞表所收集的語料中，包含大量兒童文學(xué)、小學(xué)教材或課外讀物。這些最初的紙質(zhì)兒童語料，為語言習(xí)得與教學(xué)相關(guān)研究提供了數(shù)據(jù)基礎(chǔ)（Braine 1963；Fries & Traver 1940；McCarthy 1954）。隨著電子語料庫的興起和相關(guān)技術(shù)的成熟，越來越多兒童語料庫建成，主要可分為兩大類：兒童輸出語料庫和兒童輸入語料庫。

兒童輸出語料庫，主要收集兒童所產(chǎn)出的語言。其中規(guī)模較大的為卡內(nèi)基梅隆大學(xué)的兒童語言數(shù)據(jù)交流系統(tǒng)CHILDES（MacWhinney & Snow 1985），主要包含0-5歲兒童的多語種歷時口語語料。蘭卡斯特大學(xué)的LCCPW語料庫（Smith et al. 1998），為9-11歲兒童的英語歷時筆語語料。這些歷時口筆語語料多用于研究兒童的語言習(xí)得及發(fā)展（Le Normand et al. 2013；Ravid et al. 2008；范莉 2007）。此外，還有一些為特定研究目的而建設(shè)的兒童語料庫。例如，CMU（Eskenazi et al. 1997）、CNG（Hamalainen et al. 2013）和Jasmin（Cucchiarini & Van hamme 2013）語料庫分別收錄英語、葡萄牙語和荷蘭語的兒童口語，以改進語音識別系統(tǒng)；Gabania et al.（2011）自建兒童口語語料，以輔助診斷語言障礙；趙守輝、劉永兵（2007）建立了新加坡華族兒童語料庫，以服務(wù)于國家語言規(guī)劃政策。

兒童輸入語料庫，主要收集面向兒童的語言，如兒童文學(xué)、教材等。Sealey &Thompson（2004；2007）從BNC語料庫中抽取了40篇兒童文學(xué)，建成小型CLLIP語料庫，并將其分別用于課堂語言教學(xué)和文學(xué)特征分析。Johns et al.（2008）將兒童文學(xué)Swallows and Amazons建成小型語料庫，讓臺灣學(xué)生通過解讀索引行來學(xué)習(xí)詞匯，取得了較好的教學(xué)效果。目前規(guī)模較大的輸入型語料庫較少，英語中僅有牛津兒童語料庫OCC（Wild et al. 2013）。該庫包含兒童文學(xué)和非文學(xué)兩部分輸入語料，以及部分兒童輸出的筆語語料，庫容約3,000萬詞。

總的來講，兒童輸出語料庫數(shù)量較多，相關(guān)研究也較為豐富，僅基于CHILDES語料庫的語言習(xí)得研究就多達數(shù)千篇1。相比之下，兒童輸入語料庫的數(shù)量較少，相關(guān)研究也寥寥無幾。成人語料庫已證實其在語言教學(xué)和數(shù)據(jù)驅(qū)動學(xué)習(xí)中的重要作用，但其語料不一定符合兒童學(xué)習(xí)者的認知能力、價值觀念和興趣趨向。已有的兒童輸出語料庫主要為尚在發(fā)展中的兒童語言，也不適合作為例句教給學(xué)習(xí)者。因此，建立一個由成人所寫的、面向兒童的輸入語料庫，既能保證語料的合理性，又能保證內(nèi)容的貼合性，對兒童語言學(xué)習(xí)和教學(xué)有一定的意義。然而，已有OCC語料庫僅供牛津出版社編纂詞典，并未公開發(fā)行。其輸入語料中，小說文學(xué)約占80%，略顯單一，且未包含兒童經(jīng)常接觸到的影視動畫等口語語料?；谝陨显?，本研究試圖建設(shè)一個采樣平衡、對研究人員開放的兒童讀物及視聽材料英語語料庫，即Preschoolers- and Teenagers-oriented Texts in English語料庫，簡稱PATTIE語料庫。

2. PATTIE語料庫的設(shè)計與建設(shè)

2.1 語料構(gòu)成

本語料庫主要收集由成人所寫的、面向4歲至10多歲兒童的英文正式出版或發(fā)行作品2。語料總庫容約為200萬詞3，包括36個文本文件，分屬5種體裁：兒童文學(xué)、小學(xué)教材、科普讀物、報刊新聞、少兒動畫。詳見表1。

兒童文學(xué)包括當(dāng)代文學(xué)和經(jīng)典文學(xué)兩部分。其中，當(dāng)代文學(xué)主要收集1990年之后出版的暢銷作品或獲獎書籍，包括《哈利波特》系列、《神奇樹屋》系列、《穿條紋衣服的男孩》和《愛德華的奇妙之旅》等7部作品，共約49萬字，占總庫容24.75%。經(jīng)典文學(xué)主要收集1960年之前出版的，至今仍然被廣泛閱讀的經(jīng)典作品，如《愛麗絲漫游仙境》、《夏洛的網(wǎng)》、《小王子》、《綠野仙蹤》等8部作品，共約43萬字，占總庫容21.36%。

小學(xué)教材主要收集近年來英、美兩國主流小學(xué)教材或讀物，包括《加州語文》、《牛津閱讀樹》等4套教材，共約36萬字，占總庫容17.88%。

科普讀物收集了暢銷科普圖畫書《神奇校車》，以及著名兒童出版社DK和Scott Foresman的兩套科學(xué)教材，共約8萬字，占總庫容4.19%。

報刊新聞主要收集美國《時代周刊兒童版》近兩年的新聞報道，涉及娛樂、體育、健康、科技、國內(nèi)、國外6大方面，共約10萬字，占總庫容5.36%。

少兒動畫主要收集近20年收視率較高的、或者獲得較多獎項的動畫片劇本，包括“降世神通”、“數(shù)字精靈”等8部動畫，共約53萬字，占總庫容26.46%。

總體來講，本庫涵蓋4歲至10多歲兒童的大部分語言輸入形式，并將其在兒童日常生活中的實際比例考慮在內(nèi)。例如，文學(xué)、教材及動畫所占比例可能較大，而科普和新聞的比例可能略小。就來源地域而言，本庫優(yōu)先選用英國與美國的原始語料，僅有《伊索寓言》、《安徒生童話》和《格林童話》這3部作品屬于譯本語料。且總體取樣較為平均，英式英語和美式英語幾乎各占一半。就出版或發(fā)行時間而言，約80%語料取自1990年以后，較能體現(xiàn)當(dāng)代英語語言的特色。

表1 . 兒童英語輸入語料庫PATTIE的構(gòu)成

（續(xù)表）

2.2 語料采集、整理與標(biāo)注

本庫語料來源主要有4種形式：電子書、紙質(zhì)書、網(wǎng)頁、字幕文件。針對不同的形式，有以下不同的采集方式：1）文學(xué)作品主要為pdf格式的電子書，需要先使用Adobe Acrobat Pro軟件將頁眉頁腳裁剪掉，僅保留正文部分，并另存為Word文檔。再從Word文檔復(fù)制粘貼到純文本文件中4，并保存為ANSI編碼格式。2）小學(xué)教材和科普讀物主要為紙質(zhì)書，需要先將書籍掃描為pdf格式的電子書，然后使用ABBYY FineReader軟件進行OCR文字識別。經(jīng)人工核對后，另存為純文檔。3）報刊新聞主要來源于網(wǎng)頁，需要從網(wǎng)頁中將新聞?wù)膹?fù)制粘貼到純文本文件中，并刪掉廣告等無關(guān)信息。4）少兒動畫主要取自于srt格式的字幕文件，需要先編寫正則表達式，將時間軸等無關(guān)信息刪除，僅保留動畫字幕文字正文，再將所有字幕文件合并另存為純文本文件。

語料采集完畢后，需要進行格式整理。在PowerGREP軟件中執(zhí)行Text Cleaning Library.pgl操作5，通過“噪音刪除”、“斷行修正”、“文本清理”和“精益求精”4個步驟，可解決非正常斷行、中文或全角字符、多余空格或空行等多項問題。

語料整理完畢之后，即得到生文本語料庫（PATTIE_RAW）。使用CLAWS（C7編碼）對生語料進行POS詞性標(biāo)注，即得到標(biāo)注過詞性的語料庫（PATTIE_POS）。根據(jù)表1為本語料庫標(biāo)注以下元信息：類別（genre）、出版時間（time）和區(qū)域（region），并單獨存儲為制表符分隔的（tab-delimited）文本文件。

2.3 在線檢索平臺

本語料庫可在BFSU CQPweb進行在線檢索6。該平臺既可對單詞、短語進行簡單查詢，也可使用正則表達式對詞性賦碼、類聯(lián)接等形式進行復(fù)雜檢索，還可實現(xiàn)生成詞表、計算主題詞等多項功能（許家金、吳良平 2014）。根據(jù)標(biāo)注的元信息，用戶可選定一個或多個限制條件（如1990年之后英國出版的兒童文學(xué)），對本庫中部分語料進行針對性檢索。

3. 兒童英語輸入語的特點

建立專門面向兒童的輸入語料庫，不僅由于其內(nèi)容更符合兒童的認知水平和觀念興趣，也是由于其語言使用與面向成人的語料明顯不同。為了更好地挖掘兒童英語輸入語的特點，本研究專門組建了400萬庫容的參照語料庫，包括布朗家族的6個語料庫（Brown、LOB、Frown、FLOB、Crown、LOB）中的小說部分，以及其中Crown和CLOB兩庫的一般、學(xué)術(shù)和新聞部分，并自建了“老友記”和“摩登家庭”兩部情景劇的語料，以保證參照語料在內(nèi)容、結(jié)構(gòu)與比例上均與本語料庫具有可比性（見表2）。并且，布朗家族語料庫涵蓋英、美兩個地域，時間跨度從上世紀(jì)60年代至今，其中最新的Crown和CLOB兩庫皆為2009年左右的語料（Xu & Liang 2013），因此在時間和地域上也與本語料庫相似。具體對比結(jié)果如下：

就語料難度而言，面向兒童的語料整體難度低于成人語料。這主要表現(xiàn)在以下幾方面：1）兒童語料的標(biāo)準(zhǔn)類形比（STTR，每千詞）為38.13，成人語料為43.71，這說明兒童語料的詞匯豐富度不及成人語料。2）兒童語料的平均詞長和句長均低于成人語料。尤其是平均句長，兒童語料僅為8.59詞，約為成人句長的一半，句式相對短小簡單。3）使用Range軟件得到GSL詞表分布情況，其中第三級和詞表外詞匯對文本難度有較好的判別能力（梁茂成等 2010：138）。表2可見，兒童語料的三級詞匯占0.78%，詞表外詞匯占11.63%，分別低于成人語料的3.38%和12.76%，這說明兒童語料中的詞匯更加容易一些。

就常用詞語而言，兒童語料的詞語意義更具體，更物理化、可見化。成人語料的詞語意義更抽象，更心理化、社會化。對比兩種語料的關(guān)鍵詞發(fā)現(xiàn)：1）兒童語料更常使用實體名詞，如親人（daddy、father、mum(my)、grandpa、granny、grandma、uncle）、動物（dragon、rabbit、lion、duck、dog、dinosaur、bird、mouse、fox、frog）、自然（tree、forest、flower、water、snow、moon、sun、sky、wind、rock、sea、mountain）、食品（food、potato、cake、chocolate、apple）、玩具（toy、wand、rope、sword、kite）等，其所指較具體。而成人語料更常使用抽象名詞，如表示政治（administration、government、election）、經(jīng)濟（economy、finance、market、insurance、budget、income、fund）、社會文化（society、culture、religion、media、law）、關(guān)系（relationship、marriage）等詞，其意義較抽象。2）兒童語料更常使用身體動詞，如看（look、see）、聽（hear）、說（said、ask、yell、shout、squeak、whisper、sing）、哭笑（cry、laugh、giggle）、四肢動作（run、jump、hop、climb、ride、pull、grab）等。這些均屬物理動作，具有可視性。而成人語料更常使用心理動詞（know、consider）或者名物化了的心理活動（analysis、decision、assessment）來表示動作。3）兒童語料的常用形容詞多表示物理屬性，如形狀（little、big、giant、long）、顏色（red、green、blue）、溫濕（warm、cold、wet）、音量（loud、quiet）等。而成人語料的常用形容詞多表示社會屬性，如政治經(jīng)濟（financial、commercial、political）、社會文化（religious、married、legal）、區(qū)域性（local、global、international、British）、公開性（public、private）等。

就時態(tài)和句型而言，兒童語料常用過去時態(tài)和疑問句，成人語料常用完成時態(tài)、進行時態(tài)和從句。對比兩種語料的POS碼發(fā)現(xiàn)：1）兒童語料更常使用動詞過去式（VVD）、動詞原形（VVO）、動詞不定式（VVI）以及情態(tài)動詞（VM）。而成人語料更常使用動詞過去分詞（VVN）、現(xiàn)在分詞（VVG）和第三人稱單數(shù)形式（VVZ）。2）兒童語料更常使用疑問副詞（RRQ），如where、how。而成人語料更常使用從屬連詞（CS），如that、if、whether、because、although等。使用從句也許是成人語料句長更長的原因之一。

表2 . 參照語料庫的構(gòu)成及其與本庫的對比

4. 結(jié)語

本文主要介紹了兒童英語讀物及視聽材料語料庫PATTIE的設(shè)計與建設(shè)，并初步探討了兒童英語輸入語言的特點。PATTIE語料庫主要收集由成人所寫的、面向4歲到10多歲兒童的英文正式出版或發(fā)行作品，包括兒童文學(xué)、小學(xué)教材、科普讀物、報刊新聞和少兒動畫5種體裁，涉及英國和美國不同地域，取樣結(jié)構(gòu)較為平衡。語料庫經(jīng)過詞性標(biāo)注和元信息標(biāo)注，可在BFSU CQPweb平臺在線檢索。與面向成人的語料相比，兒童輸入語料不僅在內(nèi)容上更符合兒童的認知能力、價值觀念和興趣趨向，而且在語言使用上具有鮮明特點，對兒童語言學(xué)習(xí)和教學(xué)有更多的實用價值。限于時間與精力，目前PATTIE語料庫的庫容較小，后續(xù)仍需作進一步的擴充。本語料庫還可與兒童輸出語料庫、國內(nèi)英語教材庫進行交叉對比研究。

注釋

1. 根據(jù)CHILDES網(wǎng)站數(shù)據(jù)（http://talkbank.org/info/usage/childesbib.pdf），截止到2008年，基于該庫發(fā)表的相關(guān)研究共3,104篇。

2. 本庫所收語料的版權(quán)歸原出版社或發(fā)行方所有。本庫為免費在線檢索平臺，不提供全文查看或下載。僅供學(xué)術(shù)研究或?qū)W習(xí)教學(xué)使用，請勿用于任何商業(yè)用途。

3. 本文庫容采用“[A-Za-z0-9-]+”的計算方法。

4. 不直接另存為純文本，是為了避免行末出現(xiàn)多余換行符。

5. Text Cleaning Library.pgl是由筆者編寫的文本清理代碼，需在PowerGREP軟件中執(zhí)行，可從http://www.bfsu-corpus.org/channels/tools下載。

6. 本庫在線檢索網(wǎng)址為http://124.193.83.252/cqp/pattie/，用戶名和密碼均為“test”。

Braine, M. 1963. The ontogeny of English phrase structure: The first phase [J]. Language 39: 1-13.

Cucchiarini, C. & H. Van hamme. 2013. The JASMIN speech corpus: Recordings of children,non-natives and elderly people [A]. In P. Spyns & J. Odijk (eds.). Essential Speech and Language Technology for Dutch [C]. Berlin: Springer. 43-59.

Eskenazi, M., J. Mostow & D. Graff. 1997. The CMU Kids Corpus LDC97S63 [OL] https://catalog.ldc.upenn.edu/LDC97S63 (accessed 09/02/2015). Philadelphia: Linguistic Data Consortium.

Fries, C. & A. Traver. 1940. English Word List: A Study of their Adaptability and Instruction [M].Washington, D.C.: American Council of Education.

Gabania, K., T. Soloriob, Y. Liua, K. Hassanalia & C. Dollaghanc. 2011. Exploring a corpus-based approach for detecting language impairment in monolingual English-speaking children [J].Artificial Intelligence in Medicine 53: 161-170.

Hamalainen, A., S. Rodrigues, A. Judice, S. M. Silva, A. Calado, F. M. Pinto & M. S. Dias.2013. The CNG corpus of European Portuguese children’s speech [A]. In I. Habernal & V.Matousek (eds.). Text, Speech, and Dialogue [C]. Berlin: Springer. 544-551.

Johns, T., H. Lee & L. Wang. 2008. Integrating corpus-based CALL programs in teaching English through children’s literature [J]. Computer Assisted Language Learning 21: 483-506.

Le Normand, M., I. Moreno-Torres, C. Parisse & G. Dellatolas. 2013. How do children acquire early grammar and build multiword utterances? A corpus study of French children aged 2 to 4 [J]. Child Development 84: 647-661.

MacWhinney, B. & C. Snow. 1985. The child language data exchange system [J]. Journal of Child Language 12: 271-296.

McCarthy, D. 1954. Language development in children [A]. In L. Carmichael (ed.). Manual of Child Psychology [C]. New York: Wiley. 492-630.

Preyer, W. 1889. The Mind of a Child [M]. New York: Appleton.

Ravid, D., W. Dressler, B. Nir-Sagiv, K. Korecky-Kroll, A. Souman, K. Rehfelt. 2008. Core morphology in child directed speech: Crosslinguistic corpus analyses of noun plurals[A]. In H. Behrens (ed.). Corpora in Language Acquisition Research: History, Methods,Perspectives [C]. Amsterdam: Benjamins. 25-60.

Sealey, A. & P. Thompson. 2004. ‘What do you call the dull words?’ Primary school children using corpus-based approaches to learn about language [J]. English in Education 38: 80-91.

Smith, N., A. McEnery & R. Ivanic. 1998. Issues in transcribing a corpus of children's handwritten projects [J]. Literary and Linguistic Computing 13: 217-225.

Stern, C. & W. Stern. 1907. Die Kindersprache: Eine psychologische und sprachtheoretische Untersuchung [M]. Leipzig: Barth.

Thompson, P. & A. Sealey. 2007. Through children’s eyes? Corpus evidence of the features of children’s literature [J]. International Journal of Corpus Linguistics 12: 1-23.

Thorndike, E. 1921. The Teacher’s Word Book [M]. New York: Columbia University.

Wild, K., A. Kilgarriff & D. Tugwell. 2013. The Oxford Children’s Corpus: Using a children’scorpus in lexicography [J]. International Journal of Lexicography 26(2): 190-218.

Xu, J. & M. Liang. 2013. A tale of two C’s: Comparing English varieties with Crown and CLOB(The 2009 Brown family corpora) [J]. ICAME Journal 37: 175-183.

陳鶴琴，2014，語體文應(yīng)用字匯[J]，《語料庫語言學(xué)》（1）：94-102。

范 莉，2007，兒童對普通話中否定詞的早期獲得 [J]，《現(xiàn)代外語》（2）：144-154。

梁茂成、李文中、許家金，2010，《語料庫應(yīng)用教程》[M]。北京：外語教學(xué)與研究出版社。

劉 霞、許家金、劉 磊，2014，基于CiteSpace的國內(nèi)語料庫語言學(xué)研究概述（1998-2013）[J]，《語料庫語言學(xué)》（1）：69-77。

許家金、吳良平，2014，基于網(wǎng)絡(luò)的第四代語料庫分析工具CQPweb及應(yīng)用實例 [J]，《外語電化教學(xué)》（5）：10-15。

趙守輝、劉永兵，2007，新加坡華族學(xué)前兒童口語語料庫的生成 [J]，《世界漢語教學(xué)》（2）：98-105。

附錄一 PATTIE常用關(guān)鍵詞表（前100）

（續(xù)表）

（續(xù)表）

附錄二 PATTIE常用詞組列表（前50）

通信地址：100037 北京市外交學(xué)院英語系