張寶林 北京語言大學(xué)漢語國際教育研究院

提 要 語料分布是語料平衡性的集中體現(xiàn)，與語料庫的功能與使用價(jià)值密切相關(guān)，是語料庫建設(shè)中一個(gè)十分重要的問題。以往的漢語中介語語料庫建設(shè)并未很好地解決這一問題，對(duì)基于語料庫的漢語教學(xué)與研究產(chǎn)生了相當(dāng)程度的影響。這一問題的產(chǎn)生與語料庫建設(shè)者對(duì)語料庫的認(rèn)識(shí)和建庫經(jīng)驗(yàn)有關(guān)，也與國際中文教育形勢(shì)的發(fā)展有關(guān)，與不同國家和中國的地緣距離、歷史、政治、經(jīng)濟(jì)、貿(mào)易、外交、文化、教育等因素密切相關(guān)。該問題可從國內(nèi)、國外兩方面加以解決：通過國內(nèi)漢語教學(xué)單位廣泛收集目的語環(huán)境中的外國學(xué)習(xí)者產(chǎn)出的漢語語料；通過外派漢語教師、孔子學(xué)院、孔子課堂收集非目的語環(huán)境中的學(xué)習(xí)者語料。而學(xué)界的理解與支持、強(qiáng)有力的組織保障、明確可行的語料采集標(biāo)準(zhǔn)與操作規(guī)范、專業(yè)化的團(tuán)隊(duì)與運(yùn)作則是解決語料來源問題的重要條件。

一、語料現(xiàn)狀

（一）語料庫的發(fā)展與規(guī)模

1995年“漢語中介語語料庫系統(tǒng)”問世，“該系統(tǒng)的研制填補(bǔ)了漢語中介語語料庫（以下簡稱“語料庫”）研究方面的空白，在漢語作為第二語言教學(xué)領(lǐng)域里取得了開創(chuàng)性成果，達(dá)到了國際領(lǐng)先的水平”（本刊記者，1995）。該庫具有十分重要的意義，被學(xué)界認(rèn)為是漢語中介語語料庫的開山之作。其后，以“HSK動(dòng)態(tài)作文語料庫”（以下簡稱“HSK語料庫”）為代表的多個(gè)語料庫相繼建成。而基于語料庫的對(duì)外漢語教學(xué)研究、漢語習(xí)得研究和中介語研究也得到了很大發(fā)展，形成了一批重要的研究成果。與以往手工收集、整理語料的同類研究相比，這些研究考察的語料規(guī)模大、樣本多，用大數(shù)據(jù)揭示語言規(guī)律，不但深化了對(duì)相關(guān)問題的認(rèn)識(shí)，而且具有很強(qiáng)的客觀性和說服力，集中體現(xiàn)了語料庫的作用與應(yīng)用價(jià)值。這樣的研究成果與示范效應(yīng)引起了學(xué)界的廣泛關(guān)注，人們很快接受了基于語料庫的研究范式，更多的學(xué)者和教學(xué)單位受到激勵(lì)投入語料庫建設(shè)，大大促進(jìn)了漢語中介語語料庫建設(shè)的發(fā)展。目前，“漢語中介語語料庫建設(shè)漸成高潮，‘成為語料庫研究中的熱點(diǎn)’（譚曉平，2014），正在跨入一個(gè)繁榮發(fā)展的重要時(shí)期”（張寶林、崔希亮，2015）。

目前，語料庫建設(shè)呈現(xiàn)出語料規(guī)模越來越大、標(biāo)注范圍越來越廣、標(biāo)注內(nèi)容越來越豐富全面的特點(diǎn)。例如，“漢語中介語語料庫系統(tǒng)”熟語料104萬字，“只經(jīng)過斷句、分詞和詞性標(biāo)注等加工處理”（陳小荷，1996）。HSK語料庫熟語料424萬字，對(duì)字、詞、句、篇、標(biāo)點(diǎn)符號(hào)等5個(gè)層面進(jìn)行了窮盡性標(biāo)注?！叭驖h語中介語語料庫”（以下簡稱“全球庫”）基礎(chǔ)語料達(dá)2367萬字，標(biāo)注語料總規(guī)模約1.26億字；在字、詞、短語、句、篇、語體、辭格、標(biāo)點(diǎn)符號(hào)、口語和視頻語料的語音、視頻語料的體態(tài)語等10個(gè)層面進(jìn)行標(biāo)注（張寶林、崔希亮，2022）；標(biāo)注模式則從偏誤標(biāo)注提升為“偏誤標(biāo)注+基礎(chǔ)標(biāo)注”的模式，為表現(xiàn)分析（或稱語言運(yùn)用分析）提供了條件，提升了語料庫建設(shè)與應(yīng)用研究水平。

（二）語料分布

語料庫的平衡性指“構(gòu)成特定語料庫中各部分語料的類型和比例相對(duì)適當(dāng)，以滿足語料庫建設(shè)和使用中的合理性和可靠性等方面要求”（施春宏、張瑞朋，2013）。而語料分布是語料平衡性的集中體現(xiàn)，與語料庫的功能和使用價(jià)值密切相關(guān)，是語料庫建設(shè)中一個(gè)十分重要的問題。語料的平衡性指不同類型的語料在分布上應(yīng)盡可能均勻。不同國家和地區(qū)、不同母語、不同學(xué)習(xí)時(shí)間、不同專業(yè)背景、不同漢語水平的漢語學(xué)習(xí)者所產(chǎn)出的語料數(shù)量應(yīng)該完全相同。但在建庫實(shí)踐中，由于語料及其背景信息采集的困難，這一問題頗難解決。例如HSK語料庫和全球庫，在此問題上同樣存在諸多不足。

HSK語料庫的語料覆蓋100個(gè)國家和地區(qū)，但其分布差異很大，見表1。

表1 HSK語料庫語料的國家和地區(qū)分布

從表1可見，語料分布呈現(xiàn)兩個(gè)特點(diǎn)。

第一，語料相對(duì)較多的國家和地區(qū)很少。例如，語料數(shù)量達(dá)到1000篇及以上的只有韓、日兩國，語料數(shù)量達(dá)到100—999篇的只有9個(gè)。語料少的國家和地區(qū)則很多，例如語料數(shù)量在10篇以下的達(dá)73國之多。語料的不平衡性十分嚴(yán)重。任海波（2010）認(rèn)為，“HSK動(dòng)態(tài)作文語料庫中，東南亞國家留學(xué)生的語料很多，而歐美國家留學(xué)生的語料則相對(duì)太少，語料的國別不平衡性比較明顯”。這是符合該語料庫的實(shí)際情況的。

第二，語料庫的使用價(jià)值有限。如果把30篇語料作為小規(guī)模樣本的下限（且不考慮是否隨機(jī)取樣等其他相關(guān)因素），則只有18個(gè)國家和地區(qū)學(xué)習(xí)者的語料具有統(tǒng)計(jì)意義，其他82個(gè)國家和地區(qū)學(xué)習(xí)者的語料則是沒有統(tǒng)計(jì)意義的。有統(tǒng)計(jì)意義的國家和地區(qū)數(shù)量與國家和地區(qū)總數(shù)比例約為1：5.561。如此看來，HSK語料庫的使用價(jià)值確實(shí)非常有限。

以同樣的方法考察全球庫的語料分布情況，見表2。

表2 全球庫語料的國家和地區(qū)分布

仍以上面衡量HSK語料庫的兩條標(biāo)準(zhǔn)來評(píng)價(jià)全球庫。

第一，語料相對(duì)較多的國家和地區(qū)與語料相對(duì)較少的國家和地區(qū)的差距依然存在，但與HSK語料庫相比，差距已經(jīng)縮小了很多。例如，語料數(shù)量在1000篇及以上的國家和地區(qū)有11個(gè)，100—999篇以上的國家和地區(qū)有24個(gè)，30—99篇的合計(jì)32個(gè)，10—29篇的有46個(gè)。而不足10篇的國家和地區(qū)則不予統(tǒng)計(jì)，這個(gè)做法顯然是正確的，因?yàn)閿?shù)據(jù)太少?zèng)]有意義2。

第二，如果把30篇語料作為小規(guī)模樣本的下限（且不考慮是否隨機(jī)取樣等其他相關(guān)因素），則67個(gè)國家或地區(qū)學(xué)習(xí)者的語料具有統(tǒng)計(jì)意義，46個(gè)國家和地區(qū)學(xué)習(xí)者的語料沒有統(tǒng)計(jì)意義。有統(tǒng)計(jì)意義的數(shù)量與總數(shù)比例約為1：1.69。這個(gè)比例意義十分重大，它表明有統(tǒng)計(jì)意義的語料已經(jīng)在相當(dāng)程度上超過了沒有統(tǒng)計(jì)意義的語料。很多國家和地區(qū)增加了語料，具有了統(tǒng)計(jì)意義。其中最典型的當(dāng)屬中亞五國，哈薩克斯坦、吉爾吉斯斯坦的語料數(shù)量達(dá)到了1000—9999篇，烏茲別克斯坦、塔吉克斯坦、土庫曼斯坦達(dá)到了100—999篇；而在HSK語料庫中，這五個(gè)國家的語料均不足10篇。顯而易見，與HSK語料庫相比，全球庫的語料平衡性相對(duì)較好，使用價(jià)值遠(yuǎn)高于HSK語料庫。

同時(shí)必須看到，即便在全球庫中，僅從國家和地區(qū)分布的角度看，仍有大約4成的語料沒有統(tǒng)計(jì)意義。語料不平衡仍然是一個(gè)很大的問題。

客觀地說，外國漢語學(xué)習(xí)者的語料分布情況差異確實(shí)很大。以HSK高等作文考試的成績分布為例，獲得11級(jí)證書3的考生人數(shù)極少，獲得10級(jí)的次之，獲得9級(jí)的較多，而未獲證考生最多（田清源，2011）?，F(xiàn)實(shí)如此，成績不同考生的語料自然難以平衡。學(xué)習(xí)者的國家和地區(qū)分布也是這樣，東亞、東南亞國家的漢語學(xué)習(xí)者遠(yuǎn)遠(yuǎn)多于西亞、北亞國家的漢語學(xué)習(xí)者和歐美、非洲國家的漢語學(xué)習(xí)者，這是客觀事實(shí)。由此看來，完全、徹底、“理想的絕對(duì)平衡”可能只是一種理論上的追求，不但在實(shí)踐上很難做到，也不應(yīng)該作為追求的目標(biāo)，因?yàn)槟遣⒉环蠂H中文教育的實(shí)際情況（張寶林、崔希亮，2015）?！皬慕◣斓膶?shí)際和語料庫的應(yīng)用來看，現(xiàn)實(shí)的取向更可取，也更可行?！保ɡ罟鹈?，2017）

二、問題與原因

在語料庫的語料分布問題上，不同國家和地區(qū)的語料數(shù)量差距確實(shí)較大，甚至很大：排位在前面的多達(dá)成千上萬篇，而排在后面的則不足30篇，甚至在10篇以下。而語料太少，就基于語料庫的研究而言，是無法得出具有客觀性、穩(wěn)定性和普遍意義的研究結(jié)論的。因此，語料分布的差距凸顯了語料不平衡性問題，會(huì)嚴(yán)重影響語料庫的作用和使用價(jià)值。

導(dǎo)致語料不平衡的原因大致有以下幾方面。

第一，語料庫建設(shè)者缺乏語料庫建設(shè)與應(yīng)用研究的實(shí)踐經(jīng)驗(yàn)，對(duì)此問題認(rèn)識(shí)不足，重視不夠。例如HSK語料庫的建設(shè)者在建庫之初對(duì)語料庫缺少切實(shí)的了解，不但從未建設(shè)過語料庫，而且沒有使用過語料庫，甚至沒有看到過中介語語料庫，完全是根據(jù)自己的對(duì)外漢語教學(xué)經(jīng)驗(yàn)和科研經(jīng)驗(yàn)邊干邊學(xué)，逐步摸索和積累相關(guān)知識(shí)，純屬“摸著石頭過河”。建設(shè)者的語料庫知識(shí)與建庫經(jīng)驗(yàn)如此貧乏，要求其建設(shè)的語料庫能處理好語料的平衡性問題，顯然是不可能的。

第二，和國際中文教育的發(fā)展情況密切相關(guān)：國際中文教育形勢(shì)發(fā)展好的國家和地區(qū)漢語學(xué)習(xí)者多，產(chǎn)出的語料就多；形勢(shì)發(fā)展一般或不太好的國家和地區(qū)漢語學(xué)習(xí)者較少或很少，產(chǎn)出的語料自然也少。例如在HSK語料庫中鮮有非洲、拉丁美洲、太平洋島嶼的國家和地區(qū)的語料。隨著近十多年來這些地區(qū)國際中文教育的蓬勃發(fā)展，孔子學(xué)院、孔子課堂的廣泛建設(shè)，埃及、阿爾及利亞、赤道幾內(nèi)亞、贊比亞、剛果（金）、尼日利亞、埃塞俄比亞、剛果（布）、南非、加納、馬達(dá)加斯加等非洲國家，墨西哥、巴拿馬、阿根廷、巴西、古巴等拉美國家，湯加、薩摩亞等太平洋島嶼國家，漢語學(xué)習(xí)者人數(shù)均有顯著增長，在全球庫中這些國家和地區(qū)的漢語學(xué)習(xí)者語料均達(dá)到了有統(tǒng)計(jì)意義的數(shù)量水平。

換個(gè)角度看，語料可能在一定程度上反映了國際中文教育的實(shí)際情況，即不同國家和地區(qū)漢語學(xué)習(xí)者的整體數(shù)量。例如HSK語料庫是用1992—2005年參加高等漢語水平考試的考生的作文答卷建設(shè)的語料庫，在一定程度上體現(xiàn)了20世紀(jì)90年代至21世紀(jì)初各國漢語學(xué)習(xí)者的分布情況：學(xué)習(xí)者規(guī)模以韓國、日本為最，其次是部分東南亞國家，再次是歐美一些發(fā)達(dá)國家。而全球庫收集的是近10余年來的語料，從其語料分布情況看，韓國仍高居榜首，語料數(shù)量多達(dá)兩萬多篇；而日本已退居泰國、越南、印度尼西亞、美國之后，與哈薩克斯坦、吉爾吉斯斯坦、尼泊爾、菲律賓、巴基斯坦等國為“第二梯隊(duì)”，語料數(shù)量均在千篇以上；烏茲別克斯坦、塔吉克斯坦、土庫曼斯坦、柬埔寨、老撾、緬甸、伊朗、土耳其、孟加拉國、印度、馬爾代夫、阿富汗等亞洲國家和地區(qū)，語料也都達(dá)到了100篇或30篇以上。

從這些實(shí)例來看，語料庫的語料分布和近年來全世界國際中文教育的總體形勢(shì)是基本一致的。例如語料排名前15位的國家中，韓國、泰國、越南、日本、美國、印度尼西亞、哈薩克斯坦、俄羅斯、巴基斯坦等國都是名列前茅的來華留學(xué)生生源國。

第三，不同國家語料多少，或者說漢語學(xué)習(xí)者多少，與其和中國的地緣距離、歷史、政治、經(jīng)濟(jì)、貿(mào)易、外交、文化、教育等因素密切相關(guān)。例如1992年中韓建交，經(jīng)貿(mào)關(guān)系不斷發(fā)展，韓國學(xué)習(xí)者人數(shù)持續(xù)增長并占據(jù)高位；日本與中國歷史文化聯(lián)系密切，相當(dāng)一部分文字相同或相近，日本的大學(xué)又要求學(xué)生學(xué)習(xí)第二外語，因而漢語成為日本大學(xué)生所學(xué)二外的首選；“隨著泰中經(jīng)貿(mào)、文化等方面的交流發(fā)展，以及越來越多中國游客前往泰國旅游，掌握漢語的人才在泰國就業(yè)市場(chǎng)越來越受歡迎”（環(huán)球網(wǎng)，2019），在泰國政府的支持下，漢語儼然已經(jīng)成為僅次于英語的第二大外語；據(jù)人民網(wǎng)（2018）消息，“48萬人去年來華留學(xué)，‘一帶一路’沿線國生源占半數(shù)以上”，近年來哈薩克斯坦等中亞國家漢語學(xué)習(xí)者逐漸增多，與其和中國經(jīng)濟(jì)貿(mào)易的快速增長密切相關(guān)。

第四，其他原因。語料庫中有些國家的語料數(shù)量比較令人意外，應(yīng)屬“異常值”。例如韓國語料出奇地多，不但高居榜單首位，而且約為排名第二的泰國語料數(shù)量的3.87倍。同為中歐國家，瑞士語料數(shù)量多達(dá)429篇，名列第16位，而其人口只有約876萬；高于其鄰國法國（第18位，人口約6555萬）、德國（第22位，人口約8387萬）、奧地利（第28位，人口約906萬）、意大利（第33位，人口約6028萬）4。而奧地利的語料數(shù)量也多于比其人口數(shù)量多很多的意大利。

不過，這些“異常值”的出現(xiàn)并不是偶然的，而是有其原因、可以解釋的。

第一，多年來，韓國一直是來華留學(xué)人數(shù)最多的國家，其語料數(shù)量排在第一位是很自然的。但語料多達(dá)22,411篇，是唯一語料數(shù)過萬的國家。這是因?yàn)閰⑴c全球庫項(xiàng)目子課題之一的某校提供的基本都是韓國學(xué)習(xí)者的語料，包括數(shù)十萬字從韓國收集來的語料。

第二，瑞士語料較多的原因是瑞士某校中文系教師原本就想建設(shè)漢語學(xué)習(xí)者語料庫，并已收集、積累了很多語料。得知全球庫項(xiàng)目之后，非常支持，把語料交給了課題組。全球庫因而得到了這筆寶貴的“意外之財(cái)”。

第三，奧地利語料數(shù)量排名相對(duì)靠前是因?yàn)槿驇煸诮◣爝^程中發(fā)現(xiàn)德語背景的漢語學(xué)習(xí)者語料很少，于是主動(dòng)和奧地利某校聯(lián)系，得到了該校漢語系教師的大力支持，專門為全球庫收集了語料。

這幾個(gè)所謂的異常值表明，如果能積極主動(dòng)地想辦法，是可以收集到我們需要的語料的。同時(shí)也警示我們，要特別注重語料的平衡性。

三、解決問題的方法

語料庫中有些國家的語料確實(shí)較少，甚至太少。依據(jù)這樣少的語料在漢語教學(xué)、漢語習(xí)得研究、漢語中介語研究方面無法得出具有客觀性、穩(wěn)定性和普遍性的研究結(jié)論，語料庫的價(jià)值與優(yōu)勢(shì)也就無法得以體現(xiàn)。

語料的平衡性問題可以從以下一些途徑解決。

第一，目的語環(huán)境下語料的收集。近年來，來華留學(xué)生人數(shù)逐年增長，是漢語中介語語料的重要來源。“根據(jù)教育部發(fā)布的統(tǒng)計(jì)數(shù)據(jù)，2018年，共有來自196個(gè)國家和地區(qū)的49.2萬名留學(xué)生在國內(nèi)1004所高校和科研機(jī)構(gòu)學(xué)習(xí)?！保ń逃浚?019）如此龐大的來華留學(xué)生群體，其所學(xué)專業(yè)不同，漢語水平不一，為漢語中介語語料庫建設(shè)提供了巨大的潛在語料來源。如能結(jié)合留學(xué)生的國籍、母語、漢語水平、學(xué)習(xí)目的、漢語學(xué)習(xí)時(shí)長、所學(xué)專業(yè)、年級(jí)等情況，以及1000余所高校和科研機(jī)構(gòu)的地域分布、留學(xué)生人數(shù)等，定期分層抽樣、采集語料，目的語環(huán)境中的漢語學(xué)習(xí)者的靜態(tài)語料和動(dòng)態(tài)語料問題即可得到解決。

第二，邀請(qǐng)國外漢語教學(xué)單位或教師參加語料庫建設(shè)，由他們收集學(xué)生的漢語語料，是一個(gè)頗有成效的方法。他們熟悉國外的相關(guān)規(guī)則，可以因地制宜地采取恰當(dāng)?shù)姆椒ㄊ占Z料。這是一個(gè)已經(jīng)被采用的方法，應(yīng)進(jìn)一步拓展使用，努力爭取更多的國外漢語教學(xué)單位和教師個(gè)人參與語料庫建設(shè)工作。

第三，國內(nèi)眾多高校外派的漢語教師是獲取非目的語環(huán)境漢語中介語語料的重要力量之一。這些外派教師可以與所在國的高校協(xié)商語料合作與采集事宜，按語料收集標(biāo)準(zhǔn)收集當(dāng)?shù)貪h語學(xué)習(xí)者產(chǎn)出的漢語中介語語料。需要特別注意的一個(gè)重要問題是，一些國家對(duì)學(xué)生語料的采集與使用有非常嚴(yán)格的規(guī)定，不能隨意采集，外派教師須遵守這方面的規(guī)定，與所在高校達(dá)成協(xié)議并征得學(xué)生同意之后，才能采集語料。

第四，目前海外孔子學(xué)院和孔子課堂約有1700所（個(gè)），這是獲取非目的語環(huán)境漢語中介語語料的另一個(gè)重要來源?？梢园颜Z料收集作為它們的一項(xiàng)常規(guī)任務(wù)，定期采集，持續(xù)數(shù)年，便可積累大量語料，滿足語料庫建設(shè)對(duì)非目的語環(huán)境漢語中介語語料的需求，特別是對(duì)初等和中等教育階段學(xué)習(xí)者語料的需求。許津彰等（2021）選取英國學(xué)習(xí)漢語的高中生群體作為語料來源，探索英語母語背景的青少年漢語口語語料庫構(gòu)建，便是一個(gè)典型范例。

第五，由于目前已入庫或已采集到的語料多寡不均，不能滿足平衡性的要求，因此語料采集應(yīng)采取普遍收集和定點(diǎn)收集相結(jié)合的策略，注重針對(duì)性，重點(diǎn)采集語料欠缺國家和地區(qū)的學(xué)習(xí)者語料，以解決語料的平衡性問題。

落實(shí)上述語料采集途徑需要具備如下條件。

第一，學(xué)界的理解與支持。廣泛采集國內(nèi)外學(xué)習(xí)者的漢語中介語語料是一項(xiàng)非常艱巨的任務(wù)，不是哪一個(gè)或哪一些漢語教學(xué)單位能夠完成的，需要國內(nèi)外漢語學(xué)界的廣泛共識(shí)、大力支持和共同努力，才有可能實(shí)實(shí)在在地解決這一問題。

第二，強(qiáng)有力的組織保障。要完成這樣一項(xiàng)艱巨任務(wù)，尤其需要有堅(jiān)強(qiáng)的組織領(lǐng)導(dǎo)發(fā)揮引領(lǐng)和凝心聚力的作用。例如可以由教育部中外語言交流合作中心、世界漢語教學(xué)學(xué)會(huì)等來組織實(shí)施語料采集工作。

第三，明確可行的語料采集標(biāo)準(zhǔn)與操作規(guī)范。語料采集需制定明確的技術(shù)標(biāo)準(zhǔn)與清晰的操作規(guī)范，以保證采集到的語料真實(shí)、完整、具有代表性、背景信息完備，能夠滿足漢語教學(xué)、習(xí)得研究、中介語分析的需要。

第四，專業(yè)化隊(duì)伍與運(yùn)作。語料收集工作專業(yè)、龐雜，工作量巨大，應(yīng)選派專業(yè)人員組成專門機(jī)構(gòu)，派專人負(fù)責(zé)相關(guān)事宜。例如應(yīng)由語料庫研究專家、主持過語料庫建設(shè)的學(xué)者負(fù)責(zé)制定語料采集標(biāo)準(zhǔn)、流程規(guī)范、審核手冊(cè)等；應(yīng)選派富有語料庫建設(shè)實(shí)際經(jīng)驗(yàn)，特別是有語料采集實(shí)際工作經(jīng)驗(yàn)的專業(yè)人員負(fù)責(zé)實(shí)施語料采集的相關(guān)事宜，以督促、落實(shí)與檢查語料采集工作的順利開展。

上述途徑與方法可以有效解決語料的平衡性問題，從而進(jìn)一步推動(dòng)漢語中介語語料庫建設(shè)，更好地為全世界的漢語教學(xué)與研究服務(wù)。

附注

1 計(jì)算方法：100國÷18國≈5.56。

2 HSK語料庫（2.0版）也不再統(tǒng)計(jì)語料不足10篇的國家和地區(qū)。

3 老HSK考試的最高證書等級(jí)為11級(jí)，9級(jí)則是高等漢語水平證書的最低一級(jí)。

4 上述數(shù)據(jù)來自“世界人口評(píng)論”（World Population Review），總網(wǎng)址：https://worldpopulationreview.com/，數(shù)據(jù)為2022年實(shí)時(shí)動(dòng)態(tài)數(shù)據(jù)。