点击上方“社会科学报”关注我们哦！

大数据的价值

语言学是研究语言的本质、结构和发展规律的学科。现代语言学一般认为语言是一个复杂适应系统。这也意味着，我们需要采用研究复杂适应系统的一般方法来研究语言。这对于全面了解人类语言是极为必要的。

从系统的角度研究语言，目前可从以下两方面展开：一是研究语言系统内部各个组成要素之间的关系以及子系统之间的协同关系，二是研究语言系统的整体或涌现特征。

前者是现代计量语言学，特别是协同语言学的主要目标，而采用语言复杂网络方法则有助于发现语言的整体或涌现特征。无论是计量语言学还是复杂网络方法，对研究对象特征进行量化分析都是必不可少的，都属于数据密集型的语言研究。而大数据能够改变人类生活的最重要原因是其为人类的生活“创造了前所未有的可量化的维度”。

从这个意义上说，以量化为主要手段的数据密集型语言研究是符合大数据时代的语言研究精神的。这是因为“大数据”最大的价值并不在于数据本身，而在于如何将数据与知识、社会、文化、行为、人联系在一起，并通过数理统计方法，更科学地发现数据背后隐藏的有关人类认知、行为的模式以及人与社会、自然交互的规律。换言之，对于任何传统方法中缺少量化手段的学科而言，首先可能要解决的是用数据来做什么的问题。如果我们找不到需要用数据解决的问题，也就只剩下大数据时代的美好愿望了。好在语言学中不难发现这样的问题，这可能也从另一方面展现了人类语言所具有的系统特征。

助力语言规律研究

艾登与米歇尔在《可视化未来》一书中，基于1800-2000年间的500多万本图书的电子版，展现了大数据在研究人类语言、文化、声望、群体记忆等方面的作用与价值。其中第一章介绍的英语不规则动词的规则化演化规律的研究令人印象深刻。关于英语的不规则动词，此前语言学家已观察到，越是被人们频繁使用的动词，在语言进化过程中生存下来的可能性就越大。然而，这种猜测或假设如果没有大量真实数据的支持，是难以被视为语言演化的规律的。本书二位作者通过对177个英语不规则动词的数百年间的历时考察，发现人们对不规则动词的频繁使用，使它们免于被规则化。这项发表在2007年的Nature上的研究，充分展现了大数据在研究语言演化规律时的魅力！

我们团队也采用数据密集型的研究范式，对人类语言系统的词汇子系统主要特征之间的协同关系进行了研究。词是构成语言系统的基本单位之一。除了以上提及的不规则动词的规则化之外，词还有许多其他的属性，如长度、使用频度、多义的程度、与其他词结合的能力等。根据对人类语言的考察可以得知，一个长词如果其使用频率突然增加，则会很快变短。在现代汉语中，所谓“短”的限值一般大约为3个汉字。这一点，我们很容易从 “美国职业篮球赛”变为“美职篮”，“特立尼达和多巴哥”瞬间变为“特多”等例子看出。词的可计量的属性以及它们之间的关系构成了词汇协同子系统。这些从大规模人类语言材料中得出的统计规律，不仅可以解释人类语言词汇子系统的运作机理，也可以对词汇的演化做出科学的预测。而能否对所研究现象进行解释与预测，是衡量一个研究领域是否科学的重要指标。

对语言的分类以及语言类型的研究，也是语言学家一直以来努力的方向。为了提高语言类型研究的科学化程度，我们在世界上首次提出了从人类语言真实语料（大数据）中提取语言类型指标的方法，用句子中两个具有语法关系的词之间的相对位置（依存方向）解决了语序相对固定语言的分类问题，用复杂网络方法解决了语序相对自由语言的分类问题，推动了语言分类（类型）研究的科学化。这说明，在研究某种语言的过程中所发现的方法与理论也可以用来研究其他人类语言，充分显示了“大数据+专业”的方法的科学性与普适性。