建立語料庫

本論文重點為應用語料庫翻譯學的研究方式，描述兩岸小說譯文的差異，因 此需要建立兩個分別收錄大陸及台灣譯本的語料庫。不過，在收集好兩岸的同本 異譯之後，必須先經過一連串的處理過程，才能將紙本轉換成可供電腦或語料庫 軟體使用的機讀語料，以便於研究。以下，筆者將敘述本論文裡語料庫的建置程 序。

由於本論文所收集之繁簡體字譯作均為紙本，所以建立語料庫的第一個步 驟，即是先掃瞄文本，才可讓辨識軟體識別出文字。將掃好的語料存成圖檔，就 可用辨識軟體開啟。

文本掃瞄完畢之後，接著是以辨識軟體將圖檔轉換成文字（圖3.1）。筆者使 用的是清華TH-OCR 系統，為對岸開發，可辨識簡體與繁體中文。只要開啟圖 檔，選擇要辨識的中文類型，再用滑鼠游標框選欲辨識的範圍（如圖3.1 右側所 示），即可轉換範圍內的文字。此軟體能同時處理多個圖檔，每個圖檔一辨識好，

系統就會儲存一個對應的純文字檔，待圖檔全都辨別完成，再點選系統的導出功 能，便可將所有純文字檔匯整成一個檔案。

圖3.1 辨識軟體視窗

然而，辨識完的文字檔案，還不能夠直接使用，必須先和原文比照校對才行，

而校稿大概是建立語料庫過程中最耗時費力的步驟。依筆者經驗，使用軟體辨識 中文的準確率約為80%左右，在剩下的 20%中，除了校正錯別字之外，還得填 補無法辨別的字詞或段落（此部分通常會呈現亂碼），並且修改標點符號，校對 完成之後，才可以利用斷詞系統處理文字檔案。

以斷詞系統切割中文語料，目的是要在每個單詞之間插入空格，如果沒有空 格的話，語料庫軟體會無法判別，而將整個中文句子或段落視為一個單詞。在本 論文中，筆者使用由中研院開發的CKIP 中文自動斷詞系統來處理語料。將辨識 後校對好的語料儲存成純文字檔，或者直接複製貼入CKIP 處理視窗，接著點選 自動斷詞功能，系統就會在中文的單詞之間插入空格，如圖3.2 所示。

圖3.2 斷詞系統視窗（未標記）

除了直接斷詞之外，CKIP 還有另一項重要的功能，就是替處理好的語料加 上詞類標記，如下圖所示：

圖3.3 斷詞系統視窗（加上標記）

執行完斷詞或詞類標記之後，還需要再經過兩道程序，才能夠讓這些文字成 為可供語料庫軟體處理的語料。第一，由於CKIP 插入的空格為全形，而語料庫 軟體所能辨認的空格為半形，因此必須先將文字貼入Microsoft Word 軟體中，利 用尋找及取代功能，將全形的空格都取代為半形。第二，CKIP 斷詞的準確率尚

未達到百分之百，根據筆者經驗，大約比辨識軟體的辨識率略高，也就是說，這 些語料仍需要再校對。而且，未標記與已標記的語料無法共用，所以兩種語料得 各自從頭到尾校對一次。修改完成之後，儲存成純文字檔，就可以用語料庫軟體 開啟了。