李森

（北方工業(yè)大學(xué)圖書館，北京 100144）

近年來，隨著研究生教育的不斷深入，碩士教育水平逐漸上升。畢業(yè)論文作為衡量在校生學(xué)術(shù)規(guī)范意識(shí)的培養(yǎng)、研究方法的掌握與語言表達(dá)能力的積累和訓(xùn)練等方面內(nèi)容的綜合手段，為國內(nèi)外絕大多數(shù)培養(yǎng)單位采用。同前兩個(gè)方面相比，表達(dá)能力也許是最容易被忽視的，但實(shí)際上其表現(xiàn)并不樂觀[1]。學(xué)生畢業(yè)后，其進(jìn)一步選擇主要包括繼續(xù)在國內(nèi)深造、直接工作和出國留學(xué)。如將考察對(duì)象只集中于詞匯的使用，在前兩種選擇中，學(xué)生均會(huì)繼續(xù)使用本民族語言進(jìn)行產(chǎn)出性語言行為，二者只是在詞匯的使用范疇上存在一定差別，卻未產(chǎn)生本質(zhì)性差異[2-3]；雖然學(xué)生出國后會(huì)較少使用本民族語言，但與學(xué)業(yè)技能發(fā)展關(guān)系最為緊密的“認(rèn)知/學(xué)業(yè)語言能力”可為雙語者在不同語言中共享，且具有可遷移性[4]，因?yàn)楸久褡逭Z言的提升能在其他語言的使用上得到體現(xiàn)，所以學(xué)生在校期間漢語能力的培養(yǎng)對(duì)今后的工作與深造均具有積極作用。因此僅通過對(duì)畢業(yè)論文的用詞情況來探究碩士的語言能力、進(jìn)而衡量在校生的學(xué)習(xí)積累和對(duì)比不同專業(yè)間研究生培養(yǎng)效果的研究可以得到理論上的支持，且具有較高的應(yīng)用價(jià)值。在可見的文獻(xiàn)中，研究生語言能力的研究基本集中于外語水平的比較，且多數(shù)僅通過人工測試或語料庫的簡單統(tǒng)計(jì)[5-6]。這些方法雖能表現(xiàn)部分語言使用者的語言情況，卻無法反映研究對(duì)象的語言能力，因此還需將這種表現(xiàn)“外推（extrapolation）”至能夠代表其語言能力和個(gè)人或群體特征的語言總體（population）或某個(gè)總體子集，但通過此類認(rèn)識(shí)與研究手段進(jìn)行的、專門針對(duì)某一群體漢語能力的研究尚未被作者發(fā)現(xiàn)，因此如能填補(bǔ)這一空白將會(huì)有較高的理論與實(shí)踐價(jià)值。

基于研究開展的便利性，本研究采用詞作為計(jì)量單位，通過詞匯豐富度（lexical richness）探究文獻(xiàn)作者群體的語言能力。由于傳統(tǒng)測量詞匯豐富度的各種統(tǒng)計(jì)量在語料規(guī)模不斷增長的情況下不遵守大數(shù)定律，所以就無法從此角度估計(jì)總體大小[7]，需要訴諸于其他方法。立足于人類語言的大量罕見事件（Large Number of Rare Events，LNRE） 性質(zhì)，Baayen將已有的多種模型引入語言學(xué)[8]。后經(jīng)Evert 與Baroni 的研究認(rèn)為其中僅有廣義逆高斯—泊松（Generalized Inverse Gau-Poisson，GIGP） 模型具有較好的解釋與預(yù)測能力[9]，且Evert 提出的齊普夫曼德爾布羅特（Zipf-Mandelbrot，ZM）模型與有限齊普夫曼德爾布羅特（finite Zipf-Mandelbrot，fZM）模型[10]也具有較好的擬合與外推效果，并基于這3 種模型開發(fā)了zipfR 程序包[11-12]。他們所做的工作為該研究的開展提供了方法論支持的同時(shí)帶來了工具使用上的便利。

1 研究語料簡介與模型擬合

為使用定量的方法考察不同研究群體的漢語語言能力，需要收集能夠充分代表群體特征的語料，因此在語料庫建立階段應(yīng)充分考慮文獻(xiàn)所代表總體的共性與個(gè)性。同時(shí)在基于語料獲取便利性，筆者收集了北方工業(yè)大學(xué)2018 屆及2019 屆經(jīng)濟(jì)管理、法律、計(jì)算機(jī)與機(jī)械工程4 個(gè)專業(yè)的部分碩士研究生的畢業(yè)論文作為語料來源。由于該研究僅針對(duì)漢語，所以對(duì)論文語料進(jìn)行分詞（分詞采用R 語言中jiebaR 程序包，版本號(hào)0.11，用戶詞典采用搜狗輸入法中與研究專業(yè)相關(guān)的詞庫。）后去掉了標(biāo)點(diǎn)與非漢字符號(hào)，按不同專業(yè)組成語料庫，每個(gè)語料庫詞例（token）數(shù)約84.3 萬左右，詞型（type）數(shù)排序?yàn)榉桑?6 838）、經(jīng)管（24 108）、機(jī)械（22 438）和計(jì)算機(jī)（18 069）。

通過zipfR （計(jì)算使用的程序包版本號(hào)為0.6-66，擬合效果按默認(rèn)設(shè)置最好，因此該研究均采用默認(rèn)參數(shù)。）可以方便地?cái)M合上述3 種模型，所得χ2與P 值如表1 所示。其中多元卡方檢驗(yàn)的原假設(shè)為實(shí)際值與模型期望值間無顯著性差異，顯著性水平為0.05，若P 值大于此值，則接受原假設(shè)，表示該模型可以較好地描述總體，且卡方值χ2越小，描述效果越好（見表1）。

結(jié)果中GIGP 表現(xiàn)最好，即使最小的P 值（0.049）也非常接近0.05，且同一語料的結(jié)果中該模型的χ2最?。籪ZM 次之，但P 值除計(jì)算機(jī)類語料外均小于0.05，且χ2大于GIGP；ZM 的表現(xiàn)最差?？梢姵鼼IGP 外，ZM 與fZM 的表現(xiàn)并不理想。

2 擬合結(jié)果分析

產(chǎn)生兩種模型擬合不佳的兩個(gè)可能的因素分別為：模型不遵守LNRE 的球罐模型（urn model）假設(shè)和該假設(shè)同語言事實(shí)不符。

表1 模型的擬合優(yōu)度與S 近似值

為證實(shí)第一種情況，Baayen 曾提出過基于大規(guī)模語料數(shù)據(jù)，對(duì)比語料二項(xiàng)式內(nèi)插值（binomial interpolation）與模型內(nèi)插值的方法。每種語料結(jié)果均表現(xiàn)相似，這里僅以經(jīng)管為例，圖1 繪制了兩種內(nèi)插值的頻譜（frequency spectrum）數(shù)據(jù)與詞匯增長曲線（Vocabulary Growth Curves，VGC）。前者的頻譜數(shù)，后者包括全體詞匯V 增長曲線（較粗部分）與獨(dú)頻詞（hapax legomena）V1 增長曲線（較細(xì)部分）兩部分。作者很難從視覺上分辨出二者間差異，之后設(shè)置原假設(shè)為每種語料中的兩種內(nèi)插值均不存在顯著性差異，通過柯爾莫可洛夫-斯米洛夫檢驗(yàn)（Kolmogorov—Smirnov test）得出的P 值均接近1，證實(shí)了視覺判斷的正確性，說明每種模型都較好地遵守了球罐假設(shè)。

第二種情況的檢驗(yàn)需將模型的內(nèi)插值與實(shí)際數(shù)據(jù)予以對(duì)比，圖1 同樣分別繪制了頻譜數(shù)據(jù)與VGC的實(shí)際值。相較實(shí)際值，模型的期望值確實(shí)存在一定程度的偏差。具體表現(xiàn)為在頻譜圖中，3 種模型會(huì)產(chǎn)生明顯的高估或低估的現(xiàn)象，其中在m=1 時(shí)ZM 的高估最為顯著，而fZM 與GIGP 則表現(xiàn)為低估；當(dāng)m=2 或3 時(shí)，情況正好相反，但實(shí)際偏差遠(yuǎn)小于在m=1 時(shí)ZM 高估所帶來的差值； 隨著m 值的逐漸增大，偏差逐漸減小，但這種現(xiàn)象仍然存在。在VGC中，模型高估現(xiàn)象較為明顯，二項(xiàng)式內(nèi)插值同三種模型內(nèi)插值的中前段基本重合，但ZM 在語料大小N的整個(gè)增長過程中均保持對(duì)V 和V1 的高估，而其他曲線則在語料鄰近結(jié)束時(shí)基本保持了同實(shí)際值的一致。通過以上分析可以認(rèn)為球罐模型在描述語言事實(shí)方面確實(shí)需要進(jìn)一步改善，但fZM 與GIGP 可以較為準(zhǔn)確地反映實(shí)際詞匯的增長趨勢(shì)，且與頻譜變化差別較小，因此可以作為語言總體大小大致或趨勢(shì)估計(jì)的主要依據(jù)。ZM 擬合結(jié)果較差的原因應(yīng)該源自其總體無限大的模型假設(shè)，這是同語言事實(shí)不符的，因此不予采用。

圖1 經(jīng)管語料的頻譜圖與VGC

表1 中同樣展示了fZM 與GIGP 模型預(yù)測的不同語料總體近似值S。由于Baayen 認(rèn)為內(nèi)插階段的高估會(huì)引起外推階段的低估，且這一看法在其他文獻(xiàn)中均得到證實(shí)[9-13]，所以該值也僅為總體實(shí)際規(guī)模的下限。因此可以通過對(duì)比S 值同VGC 中V 與V1來評(píng)價(jià)各語言群體的詞匯量下限和詞匯豐富度。由此可知各語言群體在論文撰寫過程中，經(jīng)管類畢業(yè)生的漢語詞匯量下限最高，其次為法律、機(jī)械和計(jì)算機(jī)，其中非工科畢業(yè)生同工科生之間的差距較大，但工科專業(yè)間的差距較小。

fZM 與GIGP 在內(nèi)插階段幾乎重合，因此圖2 僅提取了圖1 中各類V 與V1 的VGC 實(shí)際值與fZM內(nèi)插值，二者基本保持增長趨勢(shì)的一致。結(jié)合頻譜圖中的低頻數(shù)據(jù)實(shí)際值可以認(rèn)為在現(xiàn)有語料中，法律專業(yè)學(xué)生的漢語詞匯豐富度最高，之后依次為經(jīng)管、機(jī)械與計(jì)算機(jī)。在詞匯使用上，現(xiàn)有模型較為準(zhǔn)確地預(yù)測了工科畢業(yè)生低于非工科生的情況，但最終預(yù)測的漢語總體詞匯量卻不完全與語料中詞匯豐富情況吻合，如VGC 實(shí)際值與內(nèi)插值均存在法律類高于經(jīng)濟(jì)類的情況，但表1 中S 值卻正好相反，因此可以預(yù)期在未收集到的語料中后者的詞匯增長率更高；兩類工科論文的VGC 中V 的實(shí)際值或內(nèi)插值之間差距大于模型預(yù)測的S 差值，因此在未收集的語料中同樣存在詞匯增長率有較大變化的可能性。

圖2 V 與V1 的VGC 實(shí)際值與fZM 內(nèi)插值

雖然現(xiàn)有模型仍有可改善空間，但仍可得出結(jié)論：通過模型預(yù)測和語料事實(shí)，非工科研究生的詞匯量與詞匯豐富程度確實(shí)高于工科生，這體現(xiàn)了不同專業(yè)碩士研究生群體的語言能力。論文寫作是論文撰寫者在著重使用產(chǎn)出性學(xué)術(shù)詞匯開展的語言行為，不同專業(yè)領(lǐng)域的學(xué)術(shù)詞匯量固然存在差異，但其并不能作為實(shí)際語言能力高低的判別標(biāo)準(zhǔn)[14]。產(chǎn)生的可能源自不同專業(yè)學(xué)生在撰寫論文過程中，同其他領(lǐng)域結(jié)合時(shí)對(duì)非該專業(yè)詞匯的引入程度差異。雖詞匯的豐富性在研究生培養(yǎng)與論文撰寫上常被忽視，但相關(guān)培養(yǎng)單位或?qū)熑缒茉诖T士生培養(yǎng)、選題與論文撰寫方面多關(guān)注該專業(yè)同其他相關(guān)學(xué)科與領(lǐng)域的結(jié)合和應(yīng)用，為學(xué)生帶來的好處恐怕不僅是語言能力的提升。

3 不足與展望

該研究雖完成了對(duì)語料的擬合與內(nèi)插分析，但以上結(jié)論僅基于fZM 與GIGP 模型擬合結(jié)果展開，內(nèi)插曲線的高估現(xiàn)象使得可信度仍有可以討論的余地，且不同專業(yè)學(xué)生的詞匯量同VGC 之間也存在部分需進(jìn)一步解釋之處。為解決這些問題需要通過外推等技術(shù)開展進(jìn)一步研究，但由于外推過程可能存在低估現(xiàn)象，所以需要將探索高估的成因放在首位。對(duì)模型的評(píng)價(jià)也僅局限于擬合優(yōu)度，存在較大過擬合風(fēng)險(xiǎn)，缺乏更為豐富和全面的評(píng)價(jià)手段與改善擬合結(jié)果的解決方案。所用語料類型較為單一，缺乏通過多類型語料考察模型的適用性、開展非同質(zhì)性研究的過程。另外Baayen 最初的分析基本只集中于部分歐洲語言，該論文限于篇幅所限并未展示其結(jié)論在漢語中的適用性。這些都是該研究的不足之處。在后續(xù)研究中，筆者認(rèn)為應(yīng)將精力主要集中在模型外推與模型內(nèi)插階段高估原因探索兩個(gè)方面。針對(duì)前者除了采用更為適合的評(píng)價(jià)手段外，應(yīng)充分利用交叉驗(yàn)證之類的技術(shù)，通過訓(xùn)練語料與測試語料選擇適當(dāng)?shù)哪Ｐ停苊膺^擬合風(fēng)險(xiǎn)；對(duì)于后者，應(yīng)專門針對(duì)句法與詞匯層面分別展開分析，更應(yīng)將關(guān)注點(diǎn)放在語料庫建立或所用模型的改善上； 另外展示并分析傳統(tǒng)測量詞匯豐富度方法在漢語中的情況也應(yīng)考慮在內(nèi)。

4 結(jié)語

該文首先介紹了該研究的意義與所用語料的詳細(xì)情況，之后使用3 種LNRE 模型對(duì)所用語料進(jìn)行了擬合。通過對(duì)擬合結(jié)果的分析得出結(jié)論：GIGP 和fZM 模型優(yōu)于ZM 模型，可以認(rèn)為經(jīng)管和法律專業(yè)學(xué)生在論文撰寫階段所用的漢語詞匯量與詞匯豐富度最高，機(jī)械與計(jì)算機(jī)專業(yè)較低，并在分析原因后給出了建議。最后該文分析了研究的不足之處與后續(xù)方向，為下一步的研究指明了努力方向。