網(wǎng)絡(luò)語料庫分析系統(tǒng)CQPweb的建設(shè)及應(yīng)用

劉萍　吳良平

摘要：新一代網(wǎng)絡(luò)語料庫分析系統(tǒng)CQPweb具有詞頻分析、搭配分析、分布分析、索引行以及主題詞分析等多種分析功能。CQPweb于2014年首次引入國內(nèi)，目前國內(nèi)已建成三個CQPweb，更多語料庫研究者期待著創(chuàng)建自己的CQPweb。鑒于此，本文以HZAUCQPweb為例，詳細介紹了CQPweb的創(chuàng)建流程，所要求的環(huán)境條件、技術(shù)要求、CQPweb的體系結(jié)構(gòu)、管理權(quán)限等。HZAU CQPweb建成后，被應(yīng)用于學(xué)術(shù)寫作教學(xué)，探討了CQPweb的三個主要分析功能，即詞頻、搭配、分布分析功能在解答寫作困惑方面的作用。應(yīng)用研究揭示：基于CQPweb的數(shù)據(jù)驅(qū)動學(xué)習(xí)在提高學(xué)生的語言意識、促進主動學(xué)習(xí)和知識內(nèi)化等諸多方面優(yōu)勢凸顯。本研究旨在促進CQPweb在國內(nèi)的推廣應(yīng)用。

關(guān)鍵詞：CQPweb；平臺建設(shè)；數(shù)據(jù)驅(qū)動學(xué)習(xí)；學(xué)術(shù)寫作教學(xué)

一、引言

近年來，隨著計算機技術(shù)的進步，語料庫開發(fā)與建設(shè)迅猛發(fā)展。然而技術(shù)門檻與版權(quán)問題阻礙了語料庫資源的共享。最新一代網(wǎng)絡(luò)語料庫分析系統(tǒng)CQPweb極大地簡化了語料庫檢索操作，很大程度上消除了技術(shù)障礙。同時，CQPweb將語料庫文本儲存于網(wǎng)絡(luò)服務(wù)器，用戶無法復(fù)制或重構(gòu)語料庫文本，使語料庫版權(quán)得到保護。因而，有很多語料庫研究者期待架構(gòu)自己的CQPweb，上載自建的語料庫，用于教學(xué)與科研。鑒于此，本文以HZAU CQPweb為例，介紹CQPweb的建構(gòu)流程及其應(yīng)用。集易用性、兼容性與強大功能于一體的CQPweb特別適合數(shù)據(jù)驅(qū)動學(xué)習(xí)（data-driven learning）。在教學(xué)中采用CQPweb，引入數(shù)字驅(qū)動學(xué)習(xí)的教學(xué)理念，將促進教學(xué)方法、教學(xué)手段的更新。CQPweb充分利用數(shù)據(jù)索引，能對大規(guī)模文本進行快速處理，符合大數(shù)據(jù)時代特征，代表著今后語料庫分析工具的發(fā)展趨勢。

二、概述

1.cQPweb的發(fā)展歷程

CQPweb是第四代基于網(wǎng)絡(luò)的語料庫分析系統(tǒng)（McEnery&Hardie 2012：44），其主要分析功能包括：索引行、搭配、詞頻、關(guān)鍵詞、分布分析等。CQP（Corpus Query Processor）最初由德國斯圖加特大學(xué)于1994年在Solaris平臺開發(fā)（Christ 1994）。1998年，StefanEvert以Linux為平臺繼續(xù)開發(fā)（Evert 2008）。2006年Hoffman&Evert結(jié)合了兩個單獨的查詢技術(shù)語料庫工作平臺Corpus Workbench（CWB，CQP為其核心組件）和MySQL關(guān)系數(shù)據(jù)庫，產(chǎn)生了新一代以CWB/CQP和MySQL為后臺的語料庫分析系統(tǒng)BNCweb，既提高了系統(tǒng)的操作性能，又給予CWB/CQP一個更友好的用戶界面。但是，該系統(tǒng)只能檢索英國國家語料庫BNC，不兼容其他語料庫。為了突破此局限，蘭卡斯特大學(xué)Andrew Hardie用PHP語言改寫了BNCweb，更全面的數(shù)據(jù)模型使其兼容幾乎所有類型的語料庫，他將改進后的系統(tǒng)命名為CQPweb。2008年，首個CQPweb問世，它以開源軟件形式發(fā)布，此后不斷推出新版本。

2.cQPweb的優(yōu)勢特征

CQPweb采用瀏覽器一服務(wù)器的分布式數(shù)據(jù)處理方式，能實現(xiàn)跨平臺檢索，在功能性、易用性、靈活性三個方面實現(xiàn)了重大突破。Hardie認為對語料庫兼容并收的靈活性是CQPweb的主要創(chuàng)新特點（Hardie 2012：380）。相對于其他語料庫分析工具，CQPweb優(yōu)勢突顯。目前廣泛使用的第三代語料庫分析工具，

如WordSmith Tools、MonoConc、AntConc等，雖然擁有良好的圖形用戶界面，易用性高，但是它們不支持?jǐn)?shù)據(jù)索引或復(fù)雜檢索，因而檢索速度和功能大為遜色。還有一些語料庫工具雖然檢索功能強大，但易用性差。例如德國斯圖加特大學(xué)的CWB/CQP支持大型語料庫的快速、復(fù)雜檢索，但其檢索技術(shù)門檻高，多數(shù)普通研究者不會使用。另外一些語料庫檢索工具雖然易用，并且功能強大，但是兼容性差。例如上述BNCweb僅能針對BNC檢索，無法加載用戶自建語料庫。相比之下，CQPweb以常人熟知的瀏覽器為用戶端，采用標(biāo)準(zhǔn)化的語料格式，能加載和檢索任意語料，在功能、易用、靈活三者之間取得了較好平衡，成為目前功能最為全面的網(wǎng)絡(luò)語料庫分析系統(tǒng)。

3.國內(nèi)外cQPweb的開發(fā)與應(yīng)用

在國外，CQPweb以其獨特的優(yōu)勢受到用戶青睞，目前，英、美、德、西班牙、加拿大等多個國家的大學(xué)和研究機構(gòu)采用了CQPweb，服務(wù)于教學(xué)和科研（許家金、吳良平2014：12），取得了良好的效果。例如蘭卡斯特大學(xué)在語料庫語言學(xué)教學(xué)中采用了CQPweb，因為語料庫檢索操作被大大簡化，學(xué)生有更多精力聚焦于教學(xué)內(nèi)容本身，因而學(xué)習(xí)效率得到提高（Hardie 2012：387）。另一方面，CQPweb的兼容性極大地拓展了其適用范圍，它甚至成為人文科學(xué)、社會科學(xué)領(lǐng)域研究者的研究利器。例如Maatz（2014）利用CQPweb進行對比研究，發(fā)現(xiàn)精神分裂癥患者對第一人稱代詞“I”的使用多于正常人，這一發(fā)現(xiàn)有助于精神分裂癥患者的病理研究。

在國內(nèi)，CQPweb作為一個新概念、新事物，2014年由許家金、吳良平（2014）發(fā)表的專題論文首次引介。同年，國內(nèi)第一個CQPweb系統(tǒng)“北京外國語大學(xué)多語種在線語料庫檢索平臺BFSU CQPweb”問世。該系統(tǒng)公開發(fā)布了代表7種語言的33個不同類型的語料庫，促進了語料庫資源與工具的共享，同時促進了基于語料庫網(wǎng)絡(luò)平臺的語言研究。在BFSU CQPweb示范效應(yīng)的影響下，香港理工大學(xué)、華中農(nóng)業(yè)大學(xué)也先后架構(gòu)了各自基于校園網(wǎng)的CQPweb。這些先驅(qū)CQPweb系統(tǒng)使國內(nèi)語料庫研究者體驗了CQPweb的強大功能、便利操作，以及它對語料庫版權(quán)有良好的保護，因而激發(fā)了一批語料庫研究者創(chuàng)建CQPweb的熱情。他們紛紛在論壇、網(wǎng)站等學(xué)術(shù)陣地尋求創(chuàng)建CQPweb的技術(shù)與流程。然而，現(xiàn)有的相關(guān)文獻少之又少，僅有的一篇中文文獻（許家金、吳良平2014）未有涉及CQPweb的具體創(chuàng)建流程及其在學(xué)科教學(xué)中的具體應(yīng)用。

鑒于此，本研究詳細介紹華中農(nóng)業(yè)大學(xué)CQPweb（以下簡稱HZAU CQPweb）的創(chuàng)建流程及應(yīng)用研究，旨在為同類研究提供參考借鑒。

三、H7AU GOPweb的創(chuàng)建流程

HZAU CQPweb為農(nóng)科英語語料庫網(wǎng)絡(luò)系統(tǒng)平臺，采用CQPweb v3.0.7作為建構(gòu)基礎(chǔ)。建構(gòu)網(wǎng)絡(luò)型CQPweb需要兩個基本條件：（1）CQPweb系統(tǒng)；（2）CQPweb專有格式語料庫。CQPweb（自帶安裝說明文檔）可從其官方網(wǎng)站自行下載與安裝。專有格式語料庫安裝到CQPweb系統(tǒng)后，用戶方能檢索。以HZAUCQPweb為例，我們從環(huán)境條件、技術(shù)要求、體系結(jié)構(gòu)、管理權(quán)限等方面闡述CQPweb的建設(shè)流程。

1.創(chuàng)建cQPweb的技術(shù)參數(shù)與準(zhǔn)備條件

CQPweb系統(tǒng)實為運行在Linux操作系統(tǒng)的一套開源程序，其主要構(gòu)成元素為后臺OpenCorpus Workbench 3.0+和用戶界面CQPweb。軟件條件為：GNU Linux 2.6+、Apache-2.0+、MySQL-5.0+、PHP5.3+、Perl-5.8+。硬件條件為：32位或64位Intel/AMD處理器、雙倍于語料庫大小的空閑硬盤空間，以及適量內(nèi)存（假設(shè)1億詞次規(guī)模的語料大小為1GB，將其架設(shè)在CQPweb平臺上所需的硬盤空間則約為2GB。依此類推）。HZAU CQPweb采用64位Linux，4GB內(nèi)存，目前運行良好。

CQPweb可處理復(fù)雜數(shù)據(jù)類型語料，但對輸入文件格式要求嚴(yán)苛。在上載文本前，需要對文本進行清潔與處理，以減少出錯幾率，涉及多個步驟：（1）刪除源文本中的頁眉、頁腳、圖表及說明、參考文獻等語言學(xué)信息不強的部分；（2）切割與提取論文的各章節(jié)部分；（3）統(tǒng)一采用UTF-8編碼；（4）去除空行、行首與行尾空格等空白；（5）轉(zhuǎn)換全角符號至半角；（6）刪除異字（如英文文本中夾雜的漢字）；（7）添加詞性賦碼；（8）轉(zhuǎn)換語料格式為CQPweb專有格式。專有格式是CQPweb能加載任意語料，成為通用語料庫分析系統(tǒng)的關(guān)鍵。其中論文章節(jié)部分的切割、提取需要專業(yè)背景知識。HZAU CQPweb建設(shè)中，調(diào)動了不同農(nóng)科專業(yè)方向的博士生參與此項工作，以確保語料提取、加工的質(zhì)量。

2.HZAU cQPweb兩個數(shù)據(jù)模型與語料庫的三層構(gòu)架

CQPweb的檢索功能的實現(xiàn)依靠兩個數(shù)據(jù)模型：語料庫文本數(shù)據(jù)模型和語料庫元信息模型。前者支持一般檢索，后者支持分類檢索。兩個數(shù)據(jù)模型的結(jié)構(gòu)描述如下：

語料庫文本數(shù)據(jù)模型采用一行一單詞的豎排格式，每個單詞后面可帶詞性、詞形還原等若干標(biāo)注成分（Hardie 2012：390）。在文本數(shù)據(jù)模型中，每個單詞都標(biāo)注了詞性賦碼，單詞與詞性賦碼之間由制表符分隔，并排成CQPweb專有豎排格式。

語料庫元信息指與語料相關(guān)的文本結(jié)構(gòu)信息或社會語言學(xué)信息，如章節(jié)號、刊物來源等信息。語料庫元信息模型分為兩欄，左邊為文本的ID，右邊為文本的學(xué)科分類元信息。如果有一文本的ID為D01，其對應(yīng)的學(xué)科元信息為DWKX，那么元信息模型中的D01DWKX解讀為“動物科學(xué)（DWKX）文本庫中的第1個文本”。文件ID與元信息之間由制表符分隔。元信息用于CQPweb限定條件檢索（Restricted query），例如將帶有DWKX（動物科學(xué)）元信息數(shù)據(jù)的所有文本可作為一個學(xué)科大類進行檢索。HZAU CQP web能夠?qū)崿F(xiàn)章節(jié)部分的分類檢索也是基于同樣的原理。

上述兩個數(shù)據(jù)模型運行在CQPweb后臺的服務(wù)器上，而在HZAU CQPweb前端的瀏覽器網(wǎng)頁上（http：//211.69.132.28/）呈現(xiàn)給用戶的是語料庫的三層架構(gòu)：第一層是農(nóng)科專業(yè)期刊論文語料庫，收錄英語母語者發(fā)表的期刊論文。第二層是漢語母語學(xué)習(xí)者語料庫，收錄農(nóng)科專業(yè)的碩士生、博士生撰寫的英語學(xué)術(shù)論文。這兩個語料庫構(gòu)架一樣，均由按照章節(jié)部分和學(xué)科分類的兩個子庫構(gòu)成：章節(jié)子庫包含摘要（ABS）、引言（1NT）、方法（MET）、結(jié)果（RET）、討論（DIS）、結(jié)論（CON）6個庫；學(xué)科子庫包含植物科學(xué)（ZWKX）、動物科學(xué)（DWKX）、生命科學(xué)（SMKE）、園藝林學(xué)（YYLX）、農(nóng)業(yè)經(jīng)濟（NYJJ）等9個庫。第三層是對比語料庫，包括經(jīng)過授權(quán)的英語母語學(xué)習(xí)者語料庫BAWE和文學(xué)作品語料庫DICKENS，主要用于對比研究。

3.cQPweb的系統(tǒng)結(jié)構(gòu)與管理員權(quán)限

作為一套開源程序的集合，CQPweb系統(tǒng)主要分為服務(wù)器端和用戶端兩個部分，包括多個相互聯(lián)系的組件。檢索過程開始于用戶在瀏覽器的用戶界面輸入查詢語句，服務(wù)器端收到查詢請求后，與CWB和MySQL兩者進行交互，將最終結(jié)果通過瀏覽器呈現(xiàn)給查詢用戶，至此檢索完畢。在檢索過程中，用戶的任務(wù)僅為輸入恰當(dāng)查詢語句（參看許家金、吳良平2014：14），而后一切交由CQPweb自動運行處理。

系統(tǒng)管理員權(quán)限為：（1）語料庫管理；（2）用戶管理。在語料庫管理方面，管理員可安裝、修改、刪除語料庫，根據(jù)需要隨時展示或隱藏特定語料庫，還可以修改系統(tǒng)配置文件，對用戶界面進行視覺效果調(diào)整。例如使用不同背景顏色區(qū)分不同語料庫，降低認知負荷，便于同一系統(tǒng)上大批量部署語料庫。在用戶管理方面，系統(tǒng)管理員可創(chuàng)建單個用戶或批量用戶，并根據(jù)實際需要對用戶進行分組，賦予不同訪問權(quán)限，例如僅對某一特定用戶組開放某一特定語料庫。這種靈活的用戶組策略便于管理不同權(quán)限的語料庫，也為同一系統(tǒng)部署不同權(quán)限的語料庫提供了可能。

四、COPweb的多種分析功能在學(xué)術(shù)寫作教學(xué)中的應(yīng)用

HZAU CQPweb建成后，我們將其應(yīng)用于農(nóng)科專業(yè)博士生學(xué)術(shù)英語寫作課程教學(xué)，在教學(xué)中，引入數(shù)據(jù)驅(qū)動學(xué)習(xí)（Data DrivenLearning，簡稱DDL）的教學(xué)理念。數(shù)據(jù)驅(qū)動學(xué)習(xí)由Tim Johns（1991）提出，其主要思想為：學(xué)習(xí)者作為研究者，通過對大量語料數(shù)據(jù)的觀察，自己歸納、發(fā)現(xiàn)語言使用規(guī)律。教師作為引導(dǎo)者，為學(xué)生提供語料庫資源與工具，指引學(xué)習(xí)者探索、發(fā)現(xiàn)。在DDL教學(xué)理念的指導(dǎo)下，傳統(tǒng)上由教師講授的部分內(nèi)容被轉(zhuǎn)化成學(xué)生的自主學(xué)習(xí)任務(wù)，以促進學(xué)生借助語料庫，自己探求語言困惑的答案，從而掌握DDL學(xué)習(xí)方法，達到授人以漁的目的。

采用DDL的學(xué)習(xí)方式后，教師引導(dǎo)學(xué)生嘗試?yán)肅QPweb平臺上的各種檢索分析工具，如詞頻、搭配、分布、索引行以及主題詞分析等，解答寫作實踐中的疑問。限于篇幅，在此僅展示CQPweb的三個主要的分析功能：詞頻分析、搭配分析與分布分析在寫作教學(xué)中的應(yīng)用情況。

1.詞頻分析與搭配分析

在英語寫作過程中學(xué)生常遭遇選詞與搭配方面困惑，例如學(xué)術(shù)英語論文寫作中一篇論文常要多次用到“研究”一詞，寫作者常糾結(jié)于多用research，還是多用studV，表示“關(guān)于……的研究”這兩個名詞到底與介詞of還是on的搭配更為頻繁？英、漢母語寫作者在選詞與搭配上有無差異呢？CQPweb的檢索結(jié)果如表1所示：

cQPweb的頻數(shù)解析（Frequency breakdown）功能顯示的數(shù)據(jù)表明：表達“研究”之意時，英、漢母語者都更多地傾向使用study（studies）而不是research（es）。study of的出現(xiàn)頻率比study on高。相反，research on的搭配比research of多。雖然英、漢母語者對這二詞的選詞與搭配傾向總體一致，但是期刊論文語料庫與學(xué)習(xí)者語料庫的對比結(jié)果表明：英、漢語母語者在搭配用法的頻次上存在顯著差異，漢語母語者使用studV on、research on以及research of這三詞的搭配顯著高于英語母語者（p

頻次與搭配分析結(jié)果不言而喻地解決了學(xué)生寫作中選詞用語的困惑。CQPweb分析數(shù)據(jù)呈現(xiàn)出英、漢母語者在語言使用上的差異，揭示出漢語母語者總體上存在對某些語言現(xiàn)象的過度使用或誤用。該分析有利于學(xué)生提高其語言敏感性，使其有意識地在選詞用語上接近英語母語者，從而提高語言使用的準(zhǔn)確性和適切性，該分析也有利于教師提高教學(xué)針對性。

2.分布分析

本研究中的學(xué)術(shù)英語寫作主要涉及科技英語論文寫作。時態(tài)的使用時常困惑著科技論文的寫作者。把握不同時態(tài)在科技論文各部分的總體分布，有助于提高時態(tài)使用的準(zhǔn)確性。現(xiàn)在時與過去時是科技英語論文最常用的兩種時態(tài)，這兩種時態(tài)在科技論文不同部分的分布情況如何呢？

科技英語論文常用被動語態(tài)，作為被動語態(tài)標(biāo)志的be動詞在科技論文中使用頻繁，具有一定的代表性。我們不妨以be動詞的現(xiàn)在時和過去時為例，研究兩種時態(tài)在科技論文各部分的分布情況。我們以is和are代表現(xiàn)在時（科技論文中少有be動詞的第一人稱單數(shù)形式am），以was和were代表過去時。CQPweb的分布分析功能（distribution）以圖表形式呈現(xiàn)出be動詞的現(xiàn)在時與過去時在論文各部分的分布情況如下：

圖1顯示：be動詞的現(xiàn)在時在討論（DIS）、引言（INT）、結(jié)論（CON）部分用得較多，在結(jié)果（RES）使用較少，方法部分（MET）使用最少。圖2的顯示結(jié)果與圖1互補：be動詞的過去時在方法部分（MET）使用最多，結(jié)果部分（RES）次之，在結(jié)論（CON）和討論（DIS）部分較少。從DDL教學(xué)理念出發(fā)，在學(xué)生觀察CQPweb提供的數(shù)據(jù)及圖表之后，教師應(yīng)引導(dǎo)學(xué)生對數(shù)據(jù)進行討論分析，以便學(xué)生自己發(fā)現(xiàn)時態(tài)使用的規(guī)律。討論得出以下結(jié)論：時態(tài)的使用因論文各部分寫作內(nèi)容的差異而不同：方法部分主要描述實驗材料的獲取，陳述事件，因而多用過去式；結(jié)果部分描述瞬時觀察到的事實與數(shù)據(jù)，具有時效性，因而多用過去式；結(jié)論部分描述對觀察結(jié)果提煉后得出的一般規(guī)律，因而多用現(xiàn)在時。

傳統(tǒng)教學(xué)中，時態(tài)的使用規(guī)律往往由教師傳授，采用DDL學(xué)習(xí)方法后，語言使用規(guī)律通過學(xué)生自己觀察、討論而發(fā)現(xiàn)。數(shù)據(jù)驅(qū)動的探究式、發(fā)現(xiàn)式的DDL學(xué)習(xí)方式比教師的生硬灌輸更能發(fā)揮學(xué)習(xí)者的主觀能動性，促使學(xué)習(xí)者主動探究，有利于語言知識內(nèi)化吸收。而CQPweb系統(tǒng)平臺為DDL學(xué)習(xí)提供了便捷條件。

基于HZAU CQPweb的學(xué)術(shù)英語寫作課程結(jié)束后，DDL學(xué)習(xí)情況的問卷調(diào)查結(jié)果表明：總體來說，師生對教學(xué)中采用CQPweb持積極肯定的態(tài)度。師生一致認同：利用CQPweb提供的語料庫資源與工具，進行數(shù)據(jù)驅(qū)動學(xué)習(xí)，有利于提高教學(xué)的針對性和學(xué)生的語言意識、促進主動學(xué)習(xí)和知識內(nèi)化。但是，HZAUCQPweb的實際應(yīng)用也表明：初次使用CQPweb的師生普遍認為語料庫檢索操作仍然不夠方便，對詞匯層面以上語言現(xiàn)象的檢索感覺困難。

五、結(jié)語

本文概述了新一代網(wǎng)絡(luò)語料庫分析系統(tǒng)CQPweb的發(fā)展歷程、功能優(yōu)勢、國內(nèi)外CQPweb的開發(fā)與應(yīng)用?？傮w而言，CQPweb在國外發(fā)展快，應(yīng)用廣，在國內(nèi)處于起步階段，尚需推廣。本文以HZAU CQPweb為例，介紹了CQPweb的建設(shè)流程，包括建設(shè)的環(huán)境條件、技術(shù)要求、體系結(jié)構(gòu)、管理權(quán)限等。HZAUCQPweb建成后，應(yīng)用于學(xué)術(shù)英語寫作教學(xué)。應(yīng)用研究表明，師生普遍認同CQPweb對寫作教學(xué)的促進作用，支持基于CQPweb的數(shù)據(jù)驅(qū)動學(xué)習(xí)方式，同時，用戶也反映CQPweb易用性有待進一步提高。目前，作為新生事物的CQPweb的開發(fā)與應(yīng)用發(fā)展迅速，幾乎每月都有新版的CQPweb推出（源自CQPweb系統(tǒng)信息）。國內(nèi)學(xué)者應(yīng)該實時跟進國外的新發(fā)展，同時也嘗試開發(fā)一些本土化的分析功能，以滿足國內(nèi)基于網(wǎng)絡(luò)語料庫分析系統(tǒng)的語言教學(xué)與研究之需。