北京外國語大學 許家金

提要：我國大學生已廣泛使用在線寫作系統(tǒng)。這給英語寫作帶來深刻變革，也滋生出海量作文語料。本文介紹的800萬詞iWriteBaby中國學習者英語語料庫采集自iWrite在線寫作與評閱系統(tǒng)。該語料庫是目前我國已公開的最大規(guī)模英語學習者語料庫。其語料來源廣泛、話題多樣。本文還簡介了該庫的在線檢索平臺使用方法。

1.背景

從國際范圍來看，我國學習者語料庫研究起步較早。20世紀90年代初，北京語言學院（北京語言大學前身）便開始了外國留學生漢語中介語語料庫的建設與研究（儲誠志、陳小荷1993）。國際上的學習者語料庫研究也大約在1993年左右逐步開展起來（Granger 2015：8）。在1996年前后桂詩春、楊惠中兩位先行者開始了“中國學習者英語語料庫”（Chinese Learners' English Corpus，CLEC）的研制。CLEC語料庫于2003年出版發(fā)行。其后，各類英語學習者語料庫如雨后春筍。其中代表性的成果包括：“中國學生英語口筆語語料庫”（Spoken and Written English Corpus of Chinese Learners，SWECCL）、“中國大學生英漢漢英口筆譯語料庫”（Parallel Corpus of Chinese EFL Learners，PACCEL）、“大學英語學習者口語英語語料庫”（College Learners' Spoken English Corpus，COLSEC）。詳見徐秀玲、許家金（2017：63-64）的相關綜述。

近年，我國大學生的英語寫作方式發(fā)生了顯著變化。在各大高校，學生們的日常寫作，乃至測驗和考試中的英語作文部分往往都是在線完成。由此產(chǎn)生的海量學生作文構成學習者英語語料庫的寶貴素材。本文介紹的“iWriteBaby中國學習者英語語料庫”（以下簡稱“iWriteBaby語料庫”）便是在這一背景下誕生的。

2.iWriteBaby語料庫建設概況

iWriteBaby語料庫中的數(shù)據(jù)來自iWrite英語寫作評閱引擎所產(chǎn)生的英語作文，我們將后者稱為iWrite語料庫，即iWrite總庫，截至2019年4月其總規(guī)模達1.85億詞次。該語料庫將不斷擴容，動態(tài)增長。我們從iWrite總庫中精選出800多萬詞，建成了iWriteBaby語料庫，與學界共享。我們希望這些取之于學生的作文，最終可以用之于學生，對改進學生英語寫作有所助益。

iWriteBaby語料庫從2016年籌建，歷經(jīng)三年左右時間，于2019年3月23日在第四屆全國高等學校外語教育改革與發(fā)展高端論壇期間正式發(fā)布。

iWriteBaby語料庫起初設計規(guī)模為1,000萬詞次，意在將先前百萬詞級學習者語料庫擴展至千萬詞級。在建設實踐中我們發(fā)現(xiàn)，這1,000萬詞語料中仍然存在大量不合規(guī)文本。其中包含有與庫中其他作文部分或完全雷同的作文，明顯超出中國學習者英語水平的作文，含大量漢字的作文，隨意敲入的任意字符串組成的文本，甚至全文以漢語拼音寫成的作文，等等。如此刪去約170多萬詞。

這次發(fā)布的iWriteBaby語料庫為iWriteBaby 1.0版。其中包含學習者英語作文52,855篇，計8,299,066詞次（單詞定義為[a-zA-Z0-9-]+）。庫中作文來自全國69所高校（其中重點大學與普通高校比例約為1: 10）。它們來自全國23個省市自治區(qū)，48個不同的城市。這些學生分布在154個不同的學科專業(yè)。入庫的作文題目超過1,000個。

iWriteBaby語料庫由北京外國語大學許家金總體設計，并完成相關的語料整理校對工作。語料庫建設的全過程得到北京外研在線數(shù)字科技有限公司、匯智明德（北京）教育科技有限公司的資金和技術支持。語料庫的整體設計得到梁茂成教授的指導。

3.iWriteBaby語料庫在線檢索平臺

目前的單機版語料庫軟件已很難處理800萬詞規(guī)模的iWriteBaby語料庫。因此，我們將該語料庫部署在“語料云”在線平臺（http://www.corpuscloud.cn）。該云平臺可以實現(xiàn)WordSmith、AntConc、BFSU PowerConc等單機版語料庫工具的相應功能，例如詞表、索引分析、搭配等。語料云是在大數(shù)據(jù)時代BFSU PowerConc的網(wǎng)絡實現(xiàn)（許家金、賈云龍 2013；許家金、吳良平 2014），強于分析大規(guī)模語料庫數(shù)據(jù)。

在語料云平臺注冊賬號后，可免費訪問iWriteBaby語料庫。登錄后，用戶需在頁首導航欄找到“設置”，并在“顯示設置”中勾選iWriteBaby 1.0 beta。這樣便可在首頁“1.語料庫”欄中選擇iWriteBaby 1.0 beta語料庫進行檢索分析。

3.1 詞表功能

通過語料云的“工具”菜單找到“詞表生成”，就可以創(chuàng)建iWriteBaby語料庫的詞頻表。圖1中顯示的是iWriteBaby中最常用的詞匯。在詞表結果中顯示的庫容量為8,293,751詞，與前文我們提供的總詞數(shù)略有差別。這與該系統(tǒng)與我們的單詞定義不同有關。若使用該云平臺，則庫容信息及其他相應頻數(shù)都應統(tǒng)一以系統(tǒng)提供的數(shù)據(jù)為準。

語料云平臺還允許我們生成2到5詞的多詞詞表（或詞塊列表）。除詞表外，該平臺還可生成詞性（串）列表等。

圖1 詞表功能

正如英語本族語者常用詞一樣，位列詞表頂端的詞匯基本都是功能詞。iWriteBaby語料庫詞表也有十分相近的趨勢，其高頻詞依次是the、to、and、of、is、a、in、we、it、can、I、you、more、that、are、for、people。其中people位列第17位，是排位最高的實義詞。

3.2 檢索功能

中國英語學習者為何使用people如此頻繁？我們可以通過語料云的“檢索”功能進一步加以了解。

圖2 檢察功能

3.3 搭配功能

我們可通過搭配分析更多地了解people使用語境的典型搭配概率分布情況。

圖3 搭配功能

圖3中的典型搭配詞位于people的左邊緊鄰位置，構成people的限定語或修飾語。其完整形式為some people、many people、(a lot) of people、(more and) more people、other people、different people等。從上述典型搭配詞及原文語境，我們認為people以及people構成的短語，在中國學習者英語中發(fā)揮著代詞的作用。這也解釋了為何people位列虛詞聚集的詞表頂端。People的這一中介語表現(xiàn)在漢英翻譯中也存在（許家金 2016：18-19）?？梢哉f，相當一部分的people用法是冗余的，而這些用法極有可能來自漢語母語的影響。例如，some people對應漢語的“有人”（相當于英語的someone、somebody）；other people對應漢語的“別人，其他人”（相當于英語的others、they）。

另外，iWriteBaby檢索界面還提供子庫分組功能。例如，用戶可按大學類型（普通大學、重點大學）、性別（男生、女生）、任務類型（班級測試、課下寫作、學?？荚嚕┓謩e檢索分析結果，進而進行對比研究。

4.結語

根據(jù)對iWriteBaby語料庫的分析，我們針對中國英語學習者出現(xiàn)的典型英語表達錯誤，還創(chuàng)建了相關的教學案例庫（http://ucreate.unipus.cn），用于改進英語寫作。iWriteBaby語料庫項目是在CLEC等開創(chuàng)性語料庫項目基礎上，意在將基于語料庫的中介語研究向前推進一步。上述介紹的語料庫建設工作只是我們的初期目標，后續(xù)還會利用iWrite寫作平臺嘗試開發(fā)同題作文庫、學習者作文追蹤庫等更多的教學研究資源。