李華勇

(四川文理學院外國語學院，四川達州635000)

一、大數(shù)據(jù)

人類正在進入“大數(shù)據(jù)”時代。大數(shù)據(jù)將對人文社會科學的各學科門類產(chǎn)生巨大甚至是本質(zhì)上的變化［1］V。Cukier和Schoenberge于2013年指出互聯(lián)網(wǎng)革命性地改變了商業(yè)運作模式、政府管理方法和人的生活方式，信息急劇增長足以引起新的變革［2］。國外媒體將2013年稱為“大數(shù)據(jù)元年”。研究者從不同的角度給出了不同的定義:大數(shù)據(jù)(big data)指所涉及數(shù)據(jù)的規(guī)模巨大到無法通過目前主流軟件工具在合理時間內(nèi)達到擷取、管理、處理，并整理成為幫助企業(yè)經(jīng)營決策更積極目的的資訊［3］，這是從數(shù)據(jù)的量的角度給出的定義;大數(shù)據(jù)指采用所有數(shù)據(jù)的方法［1］，這是從研究時獲取數(shù)據(jù)方法視角給出的定義;從數(shù)據(jù)規(guī)模、數(shù)據(jù)流轉(zhuǎn)和動態(tài)的數(shù)據(jù)體系、數(shù)據(jù)多樣性、數(shù)據(jù)的價值四個特征來定義大數(shù)據(jù);大數(shù)據(jù)指迅速獲取信息的能力［4］，這是從數(shù)據(jù)的功能視角給出的定義。我們認為大數(shù)據(jù)是一種思維方式和重要的資源庫，它將改變我們認識世界的方式，是獲取新知識和新發(fā)明的源泉。大數(shù)據(jù)這種新思維方式將從根本上改變我們對人文社會科學相關(guān)學科的觀念，實現(xiàn)相關(guān)學科研究的發(fā)展、深化和創(chuàng)新。

二、語言學研究與大數(shù)據(jù)思維

大數(shù)據(jù)將對語言學研究產(chǎn)生重要影響，促進其量化研究的深入發(fā)展。大數(shù)據(jù)突破了自然科學和社會科學研究的界限，實現(xiàn)了數(shù)據(jù)的可通約性，通過數(shù)據(jù)溝通了不同學科的資源，促進了學科交叉融合［5］。發(fā)源于上世紀60年代的語料庫語言學，以經(jīng)驗主義和科學理性主義為哲學基礎，以自下而上(bottom-up)的歸納法為方法論［6］;從一開始就是建立在真實語言數(shù)據(jù)觀察的基礎上，以大量的日常使用語言為依據(jù)，以概率為特征，以統(tǒng)計量化為手段，對語言進行實證量化研究;基于真實語言使用數(shù)據(jù)的語料庫語言學研究使該學科帶上了科學的基因;語料庫越來越大，類型越來越多樣化，標注越來越詳細，檢索統(tǒng)計越來越智能化。這些變化將會對語言學研究產(chǎn)生重要影響:拓展了語言學研究的視野和應用服務領域。人們?nèi)粘Ｉ町a(chǎn)生的海量數(shù)據(jù)具有豐富的語言信息，同時還可能避免研究者的認知偏見、語言感知誤差［5］，對語言現(xiàn)象或語言事實的分析更加量化、客觀和科學，更重要的是能夠借用語言大數(shù)據(jù)預測語言現(xiàn)象或事實發(fā)展的趨勢，甚至通過相關(guān)語言數(shù)據(jù)信息的統(tǒng)計分析和建立相關(guān)數(shù)學模型，為相關(guān)公共服務領域迅速便捷地提供特別有價值的信息。例如，2009年H1N1流感爆發(fā)時，Google公司基于美國人檢索與流感相關(guān)的詞條和2003—2008年美國疾控中心的流感數(shù)據(jù)進行比較，聚焦于與流感相關(guān)的特定詞條被檢索的頻率與流感在時間和空間上傳播的關(guān)系，據(jù)此建立數(shù)學模型，成功地比美國疾控中心早1～2周預測到H1N1流感爆發(fā)的時間、地點、傳播源等非常有價值的信息［1，3］。這是一個融合了語言學、大數(shù)據(jù)、數(shù)學和計算機等學科，提前成功預測H1N1流感爆發(fā)并服務于公共領域的典型例子。

在大數(shù)據(jù)及其思維視野下，作為人文社會科學之一的語言學研究應順應科技和時代的發(fā)展，在更大范圍使用各種類型的、共時和歷時的語言大數(shù)據(jù)來進行相關(guān)實證研究，在更大范圍和層面上研究語言事實之間的相關(guān)關(guān)系。幾萬詞、幾百萬詞、幾千萬詞甚至于幾億詞的語言數(shù)據(jù)按照大數(shù)據(jù)的理念在目前或未來形勢下都不能很好地滿足語言學研究的目的和要求。語言數(shù)據(jù)的獲取越來越容易，相對來說建設服務于語言研究的更大規(guī)模的語料庫也越來越容易。比如:美國Mark Davies教授2013年建立的GloWbE語料庫規(guī)模達19億詞，“Google Books:British English”語言數(shù)據(jù)高達340億詞，“Google Books:American English”語言數(shù)據(jù)高達1 500億詞。大數(shù)據(jù)在進行語言研究時有其獨特優(yōu)勢:其一是能夠更加詳細地展示語言事實或現(xiàn)象的演化過程，其二是能在更大范圍內(nèi)發(fā)現(xiàn)語言變化的規(guī)律和趨勢，其三是能夠在更大范圍和更大程度上發(fā)現(xiàn)語言事實的相關(guān)性。尤其是第三點更加重要，因為大數(shù)據(jù)的一個核心理念是由追尋因果關(guān)系轉(zhuǎn)變到追尋相關(guān)關(guān)系，相關(guān)關(guān)系比因果關(guān)系更為重要、更有價值——建立在相關(guān)關(guān)系分析基礎之上的預測是大數(shù)據(jù)的核心［1］75。顯然，現(xiàn)代語言學研究不僅要追尋語言事實之間的因果關(guān)系，更應該在語言大數(shù)據(jù)中追尋語言事實或現(xiàn)象之間的相關(guān)關(guān)系，在對語言事實相關(guān)分析的基礎上對語言發(fā)展進行預測，進而服務語言教學和其它需要語言支持的公共領域。過去的語言學研究是在探尋語言事實背后的“為什么”，而語言事實豐富多彩、變化多端和紛繁復雜，我們探尋到的“為什么”往往只能在一定范圍、一定時期解釋和說明小部分語言事實，以至于我們陷入建立了成百上千種語言學理論和模型也無法走出把所有語言事實解釋清楚的困境。造成這一局面的原因一方面是我們沒有在更大范圍內(nèi)弄清楚相關(guān)語言事實是什么，另一方面是我們的各種語言理論和模型各自為陣，沒有在更大范圍和空間上考慮用語言事實相關(guān)關(guān)系來對語言事實進行解釋。大數(shù)據(jù)思維方式要求通過探求“是什么”而不是“為什么”來幫助我們更好地了解這個世界［1］83。相應地，在大數(shù)據(jù)的今天，語言學研究得轉(zhuǎn)變研究路徑，才能夠擺脫語言研究的上述困境，轉(zhuǎn)變到尋找語言事實的“是什么”而不是研究“為什么”，在語言事實相關(guān)關(guān)系的指引下，更好地去了解和認識語言研究路徑:語言事實相關(guān)關(guān)系分析很有用，它不但為我們認知語言提供新的視角，而且提供的視角非常清晰。一旦把因果關(guān)系考慮進來，這些視角就有可能被蒙蔽掉［1］87。這樣做并不是說研究語言時因果關(guān)系不重要，通常情況下，一旦完成了對語言事實的相關(guān)關(guān)系分析后，又不滿足于知道“是什么”時，可以繼續(xù)探究更深層次的因果關(guān)系，追尋語言事實背后的“為什么”。

可見，新形勢下的語言研究不能再像以前那樣以追求“為什么”為終極目標，而是在基于語言事實大數(shù)據(jù)基礎上研究語言事實“是什么”，在清晰綜合考量各種相關(guān)關(guān)系之后，再考慮是否需要繼續(xù)研究因果關(guān)系。

三、大數(shù)據(jù)對語言研究的獨特價值

(一)大數(shù)據(jù)深化語言歷時研究

與小數(shù)據(jù)相比，大數(shù)據(jù)對語言研究具有獨特的優(yōu)勢，它能讓研究者在更大范圍內(nèi)觀察到語言現(xiàn)象或事實的相關(guān)程度和演化的具體歷時過程，特別是低頻的、新近出現(xiàn)的語言現(xiàn)象。比如利用數(shù)據(jù)量為1 500億詞的美語“谷哥圖書”大數(shù)據(jù)，借用COCA①的檢索界面來研究美語中“get被動式”的使用頻率歷時變化趨勢，由于使用的數(shù)據(jù)量高達1 500億詞，相比以前研究所用的幾萬詞、幾百萬或幾億來說，這些海量數(shù)據(jù)有助于更加精確地重現(xiàn)“get被動式”的使用變化趨勢。在美語“谷哥圖書”中，get被動式的使用頻率在1810s年為7．13/MIL②，經(jīng)過近200年的歷時發(fā)展和演化，到2000s年，其使用頻率上升到23．92，是1810年的3倍多。不但反映出get被動式的使用頻率近200年總體趨勢是上升的，還反映出它在中途某些時間段是有波動的(下降之后再上升)——由 1950s的 14．64下降到1960s的13．99，之后在1970s又升至14．6。如果某些研究人員收集的數(shù)據(jù)是集中在1950s—1960s這一時間段，據(jù)此研究會得出get被動式的使用頻率是呈下降趨勢的結(jié)論;這一結(jié)論在1950s—1960s這個特定時間段是正確的，如果據(jù)此預測其在1970s之后的使用頻率仍然是下降的就錯了?？梢姡诟蠓秶透L時間段去預測相關(guān)語言現(xiàn)象的發(fā)展趨勢，需要大數(shù)據(jù)才能做到。

Davies認為小語料庫提供的低頻和中頻詞或結(jié)構(gòu)的型符(token)數(shù)量過小，不能很好地比較和觀察英式與美式英語兩種變體的差異［7］。同理，過小的數(shù)據(jù)不能展現(xiàn)低頻詞或結(jié)構(gòu)的使用特征與演化趨勢，要詳細研究低頻詞或結(jié)構(gòu)的使用情況需要大數(shù)據(jù)支持。如果用布朗家族語料庫(the Brown Family of Corpus:Brown，F(xiàn)rown，LOB，F(xiàn)LOB)去檢索低頻率動詞vacuum，返回的結(jié)果是0個型符，說明不能利用庫容極小的布朗家族語料庫對vacuum進行任何有意義的研究。但是如果在庫容超過4．5億詞的COCA語料庫中檢索，就能返回到882個型符，可以根據(jù)相應的研究目標和目的對動詞vacuum的詳細使用情況與特征進行描述?？梢姶髷?shù)據(jù)對低頻率詞或結(jié)構(gòu)的研究具有獨特的優(yōu)勢，甚至可以說，對小庫容檢索不到的低頻詞或結(jié)構(gòu)的研究只有在大數(shù)據(jù)中才可以完成。

(二)對語言的描述客觀化和精細化

過去由于大量客觀可以自動檢索的語言數(shù)據(jù)比較匱乏，我們對詞匯或語言結(jié)構(gòu)進行研究時，絕大多數(shù)時候都基于語言研究者的語言直覺進行少量舉例或引用經(jīng)典作品的例句，然后進行理論思辨和演繹。在語言大數(shù)據(jù)日益豐富的今天，幾乎所有的語言研究都可以借助各種客觀的語言大數(shù)據(jù)進行。比如，在進行同義詞詞典編撰時，可以借助語料庫大數(shù)據(jù)呈現(xiàn)的詞語相關(guān)性的強弱信息來取舍詞語和對所選詞語進行排序，這類基于真實語言大數(shù)據(jù)的同義詞詞典比通過語言直覺編撰的同類詞典更加真實可靠，也更能滿足語言學習者的實際需求。

(三)彌補語言理論的缺陷

過去語言學研究在很大程度上受亞氏經(jīng)典范疇理論的影響。例如建立在經(jīng)典范疇理論上的規(guī)定語法、詞匯學和語義學認為語言范疇的特征是二分的，邊界是清晰的，范疇內(nèi)成員地位是相同的。經(jīng)歷了維特根斯坦的“家族相似性”理論發(fā)展起來的原型范疇理論則認為:范疇是由典型特征構(gòu)建起來的;范疇成員地位不平等，有典型和非典型之分;范疇成員之間由于相似性構(gòu)成連續(xù)統(tǒng)一;范疇邊界是模糊的［8］。原型范疇理論更符合日常生活中的語言使用與語言認知實際。規(guī)定性語法明確提出應該怎么用，不應該怎么用，具有很強的規(guī)定性，正確與錯誤是二元對立的。但是語言往往是動態(tài)發(fā)展的，同時語言還具有模糊性特征，因此語法上正確與錯誤的界限不明確。現(xiàn)在通過語言大數(shù)據(jù)檢索，就會發(fā)現(xiàn)語言現(xiàn)象的模糊性與連續(xù)性特點。我們在學習英語語法時曾被相關(guān)語法書明確告知:to who是不正確的表達，to whom才是正確的，因為介詞to后要接賓格。這種規(guī)定式的二元區(qū)分to who和to whom與它們的真實用法不相符。我們很容易從4．5億詞的COCA中檢索到to who這一規(guī)定被語法學家視為不正確和不規(guī)范的表達使用情況(見表1)。從表1可見，to who表達在非正式的口語、小說文體中有使用，其頻率分別為6．47、2．17;在比較正式的雜志、報紙和很正式的學術(shù)文體中也有使用，相應的頻率為 2．03、2．33和1．80。盡管 to whom 這一表達在英語使用中更為常見:在COCA中檢索發(fā)現(xiàn)它在口語和小說文體中的使用頻率為5．01、9．89;在雜志、報紙和正式的學術(shù)文體中的使用頻率分別為 7．42、5．29、11．62。從這些數(shù)據(jù)可見，to who與to whom的用法不存在絕對正確與錯誤之分，只有在不同文體中常用與不常用之分，同時這種常用與不常用的界限也是模糊的。因此，這類語言現(xiàn)象的認識只有基于大量的客觀語言使用數(shù)據(jù)才能夠得到，不能僅憑語言研究者的語言直覺獲取。規(guī)定語法等理論的二元區(qū)分盡管對學術(shù)研究和語言教學帶來極大的方便，但是也有阻礙對語言真實用法研究和認知的缺陷，需要根據(jù)大數(shù)據(jù)提供的證據(jù)來進行修正。

表1 to who與to whom在COCA中的使用分布情況

(四)監(jiān)視語言發(fā)展

語言是處在動態(tài)發(fā)展和變化之中而非靜止的，一些語言現(xiàn)象和結(jié)構(gòu)隨著時間的推移，它們或消失或變異，同時新的語言結(jié)構(gòu)不斷出現(xiàn)。在計算機和大規(guī)模記錄存儲與檢索技術(shù)出現(xiàn)之前，沒法或者很難觀察和大規(guī)模重現(xiàn)語言現(xiàn)象或結(jié)構(gòu)的動態(tài)發(fā)展過程?，F(xiàn)在利用大數(shù)據(jù)可以很容易監(jiān)視語言的發(fā)展，以海量客觀的數(shù)據(jù)深化了對語言動態(tài)性的本質(zhì)屬性的認識。牛津大學出版社每年都會根據(jù)語言大數(shù)據(jù)匯總發(fā)布本年度收錄的新詞語;國家語言資源監(jiān)測與研究中心在12億字詞語言大數(shù)據(jù)基礎上，公布2013年的新詞語364條就是大數(shù)據(jù)用于監(jiān)視語言最新發(fā)展趨勢的一個例子。

四、大數(shù)據(jù)下的語言研究新觀

(一)重視概率

正如桂詩春先生指出的那樣:數(shù)據(jù)的基本特征是頻數(shù)(frequency)，表現(xiàn)為概率關(guān)系，這就促使以概率為基礎的語言研究的蓬勃發(fā)展［9］。Jurafsky指出語言的概率性對語言理解、產(chǎn)生，對意義提取、分解和生成產(chǎn)生作用;概率對建立語言變化和差異模型具有重要作用［10］。計算機和網(wǎng)絡技術(shù)的發(fā)展使運用語言數(shù)據(jù)獲取的途經(jīng)多樣化、數(shù)據(jù)檢索和計算便捷化、數(shù)據(jù)庫容巨型化，建立在語言數(shù)據(jù)概率性基礎及概率特征之上的語言學、計算語言學、語料庫語言學、心理語言學獲得前所未有的發(fā)展機遇。隨著語言數(shù)據(jù)的不斷充實和數(shù)據(jù)處理的自動化程度不斷提高，應把這些以概率為基礎的研究方向推向新的高度，以大數(shù)據(jù)重塑尊重語言事實的研究理念。

(二)強化歷時研究

語言的歷時研究對探究語言及其結(jié)構(gòu)的演變趨勢和機制有著重要的價值;語言的歷時研究對各個階段語料的分布、數(shù)量及其分析處理手段有著特定的要求。以前由于語言歷時數(shù)據(jù)受限，要想在歷時研究方向?qū)崿F(xiàn)重大突破和取得比較客觀的結(jié)果幾乎不可能。隨著大數(shù)據(jù)的發(fā)展，海量語言歷時數(shù)據(jù)獲取、存儲和檢索變得簡便易行，以語言歷時大數(shù)據(jù)為基礎的歷時研究在追溯語言結(jié)構(gòu)、詞匯、形態(tài)、語音及語言文化的詳盡演變爆發(fā)出新的活力，為語言歷時研究提供了堅實的語料基礎，是語言歷時研究創(chuàng)新的源泉。李華勇借用COHA論述了其對美語詞匯、形態(tài)、句法、語義到文化的歷時研究中的作用，就是一個較好的例子［11］。

(三)堅持三個新取向

受大數(shù)據(jù)思維的影響，語言研究取向有三個新轉(zhuǎn)變。正如舍恩伯格和庫克耶指出:“大數(shù)據(jù)代表著我們分析信息的三個轉(zhuǎn)變，這些轉(zhuǎn)變將改變我們理解和組建社會的方法。”［1］17轉(zhuǎn)變之一是語言研究由依據(jù)隨機取樣或例子列舉轉(zhuǎn)變到盡量分析更多的語言數(shù)據(jù)，甚至是處理某個特定語言現(xiàn)象的所有數(shù)據(jù)。全樣本的語言數(shù)據(jù)有利于深入認識、分析和解釋語言現(xiàn)象。轉(zhuǎn)變之二是語言研究不再追求小范圍的精確性。語言是紛繁復雜和變化多端的，面對語言大數(shù)據(jù)，小范圍的精確會被大量的“例外”推翻，因此不再過度追求微觀層面上的精確性會讓我們在語言宏觀層面擁有更好的洞察力。轉(zhuǎn)變之三是語言研究由熱衷于尋找因果關(guān)系和構(gòu)建各種語言解釋模型轉(zhuǎn)變到研究語言事實的相關(guān)關(guān)系上。探索語言事實背后的因果關(guān)系是語言研究長久以來的模式。即使確定因果關(guān)系的難度很大，或者根本不可能或者即使確定出來了作用也有限時，我們還是習慣性地在尋找。在大數(shù)據(jù)思維的影響下，我們應該努力追尋語言事實之間的相關(guān)關(guān)系，它將給我們的研究帶來非常新穎的觀點和有意義的發(fā)現(xiàn)。盡管語言相關(guān)關(guān)系不能準確地解釋某一語言現(xiàn)象發(fā)生的原因，但是會提醒我們這一語言現(xiàn)象和哪些語言現(xiàn)象或因素有關(guān)，或許這樣的提醒對我們理解和認識這一語言現(xiàn)象已經(jīng)足夠了。

總之，語言研究的這三個新轉(zhuǎn)變是適應大數(shù)據(jù)對語言研究帶來巨大變革趨勢的必然選擇，有助于語言研究深入發(fā)展和創(chuàng)新。

五、結(jié)語

大數(shù)據(jù)及其思維方式將對人類產(chǎn)生革命性的影響，促進人文社會科學研究進一步量化和客觀化。在大數(shù)據(jù)視野下，語言學研究將在更大范圍和規(guī)模上使用語言大數(shù)據(jù)進行實證研究，由過去尋找語言事實背后的因果關(guān)系轉(zhuǎn)向追尋語言事實之間的相關(guān)關(guān)系。大數(shù)據(jù)對語言研究具有獨特的價值:能夠大范圍觀察語言事實的相關(guān)程度和演化過程，促使語言研究更加數(shù)據(jù)化和精細化，可以解決實證語言學相關(guān)理論的缺陷。大數(shù)據(jù)背景下的語言研究更加強調(diào)以概率為基礎，更加注重歷時研究，積極謀求語言研究三個新取向的轉(zhuǎn)向。

注釋:

①美國語料庫語言學家Mark Davies創(chuàng)建，http://corpus．byu．edu/coca/。

②這里的單位/MIL意為每一百萬詞出現(xiàn)的次數(shù)，即每一萬百詞中，get被動式出現(xiàn)的次數(shù)為7．13。7．13是后臺統(tǒng)計的具體數(shù)據(jù)。后面相應的數(shù)字單位/MIL省略了。

［1］維克托·邁爾·舍恩伯格，肯尼恩·庫克耶．大數(shù)據(jù)時代:生活、工作與思維的大變革［M］．盛楊燕，周濤，譯．杭州:浙江人民出版社，2013．

［2］Cukier K N，Schoenberge V M．The rise of big data［J］．Foreign affairs，1992(3):2013．

［3］Manyika M，Chuim，Brown B，et al．Big Data:The Next Frontier for Innovation，Competition，and Productivity［R］．McKinsey ＆ Company，2011:5．

［4］越國棟，易歡歡，糜萬軍，等．大數(shù)據(jù)時代的歷史機遇:產(chǎn)業(yè)變革與數(shù)據(jù)科學［M］．北京:清華大學出版社，2013:20-25．

［5］劉紅．大數(shù)據(jù):第二次數(shù)據(jù)革命［N］．中國社會科學報，2014-01-21(B1)．

［6］李華勇．論語料庫語言學的學科地位［J］．重慶理工大學學報(社會科學版)，2014(7):119-124．

［7］Davies M．Powerful(yet simple)comparisons of a wide range of phenomena in British and American English［J］．ICAME Journal，2014(38):39．

［8］Taylor J R．Linguistic Categorization［M］．3rd ed．Oxford:OUP，2003:41-58．

［9］桂詩春．以概率為基礎的語言研究［J］．外語教學與研究，2004(1):4．

［10］Jurafsky D．Probabilistic modeling in psycholinguistics:Linguistic comprehension and production［C］//Bob R，et al．Probabilistic Linguistics．MIT Press，2003:4-39．

［11］李華勇．拓展歷史認知語言學研究新視野的工具——美語歷史語料庫(COHA)的應用［J］．重慶工商大學(社會科學版)，2013，30(6):115-124．