語料庫語言學

一、語料庫的定義、應用與研究

語料庫是大量自然語言素材的有限集合，蘇新春(2010)強調語料庫應是「大 量」及「有序」的，而且語料庫的形式必須是電腦可以處理，而且要有處理這些 語言素材的軟體，是成為語料庫的基本要件。

衛乃興(2001)解釋語料庫語言學是以真實的語言為研究對象，對大數量的語 言進行分析，從中找出語言使用的規律；語言分析以實際使用語言現象的出現概 率為依據進行分析。何安平(2004)轉述 Graeme Kennedy 的看法指出語料庫研究 的四個層面：1.探討某個詞的出現頻率，出現語境以及鄰近的搭配的「詞彙層 面」。2.運用有語法標注的語料庫，研究各種詞性標記的組合模式以及對各類句 型做量化分析的「句法層面」。3.研究口語和書面語篇章的連貫和銜接的語言基 礎的「篇章結構」。4.研究各種篇章的語言特徵，進而構立語篇分類的語言標準 的「篇章類型」。

黃居仁(2006)「中文詞彙特性速描系統」Chinese Word Sketch (CWS)在 Sketch Engine 的平台上結合鉅量語料庫與詞彙語法等資源，產生語法與與語意關係的資 源，提供了詞彙特性描述(word sketches)、語法關係(grammatical relations)以及同 義詞分佈(distributional thesaurus) )的查詢，可以自動抽取相關共現詞彙、論元結 構、獨特搭配詞彙等等訊息。鄭錦全(2008)利用現代漢語語料庫，計算出 22 萬 個句子每句詞語及漢字的數目，得出最高頻次的長度是15 個詞語或 17 個漢字，

最高頻的50%的句長在 4 到 20 個詞語或 6 到 32 個漢字之間。

因語料庫語言學的發展使得語料庫得以應用在語言教學、語言研究以及語言 工程等。衛乃興(2001)說明語料庫的運用大致有以下五種：1.語言頻率統計︰以

7

定量分析為主，以定性分析為輔，在外語教學中，利用詞彙頻率統計訂定常用詞 彙表，成為語言教學的重點。2.辭典編纂：建立語料庫編纂辭典，每一個詞條都 有詞頻的統計結果，而且每個例句都是實際使用的真實例句，不是憑空杜撰的。

3.詞彙搭配研究：詞彙搭配受到詞義、用法、文化、習慣的影響，不再依賴語言 學家主觀語感，語料庫中大量的真實語料提供了一個客觀分析的依據。4.語言教 學：學習者在語料庫可查詢詞彙的用法、詞彙的搭配、詞義的細微差別等。5.自 然語言處理：將語料庫語言學的方法應用在語音辨識系統中，在機器翻譯的自然 語言處理系統中，可以大幅提高可靠性及效率。

二、 台語語料庫

早期有台語文語料庫語言學的研究，但語料庫多為研究者自行建構，並未公 開。國家台灣文學館從2001 年 5 月開始為期四年，執行「台灣白話字文學資料 蒐集整理」計畫，蒐集到一千多本的白話字書刊，並將部分有文學性的作品打字 建檔。高成炎、楊允言、江永進(2003-2004)執行「台語文文化推廣網站建構計畫」， 將全羅馬字的台語文資料建立聲音檔，可利用網路查詢與線上學習。 高成炎 (2004-2005)執行「台語文數位典藏資料庫(第一階段)──台語文全羅文字語音輸出 系統」。楊允言、張學謙執行「台語文數位典藏資料庫(第二階段)──台語文學線 上博物館」，網站上呈現258 萬音節的台語文學資料，亦開發台語文語料整理重 要且基礎的工具程式：計有漢羅/全羅對照台語文的線上校對系統，以及全羅台 語文的文本統計系統，可統計文本的段落、句、語詞、音節的數量，另有數字調 號轉圖形顯示系統及羅馬字拼字檢查系統。

楊允言、張學謙(2005)建立超過 900 萬音節以上的台語文文本，透過台語文 音節及語詞頻率統計，對台語文用字問題提出建議。

張學謙(2000)嘗試辨認影響台語語體變異的深層言談面向，刻畫語體的篇章 關係，辨認出五個深層言談面向：一、人際關係 vs.表達資訊；二、個人情感的 表達；三、說服面向：邏輯 vs.空間的連接；四、敘述面向；五、具親和力的說

明vs.詳細報導。

楊允言(2009)執行「教育部台語詞頻調查」計畫，提供教育部九年一貫課程 綱要中台語學習、教材編輯或辭典編輯的參考，建構至少有100萬台語語詞的基 礎語料庫，並統計台語的字詞頻，提供一個語詞檢索系統提供一般民眾使用。

9