從「LIVAC共時(shí)語料庫」看現(xiàn)代漢語的演變
過去兩星期內(nèi)，在香港、臺(tái)灣及北京三地最高見報(bào)率的人物是那幾位？最常用的詞語是甚麼？你可能以為這些問題並沒有一定的答案，只能憑個(gè)人主觀印象的臆測(cè)。事實(shí)上，只要進(jìn)入一個(gè)由香港城市大學(xué)語言資訊科學(xué)研究中心開發(fā)的「LIVAC共時(shí)語料庫」網(wǎng)址(www.rcl.cityu.edu.hk/livac/sample)，便不難找到答案，而且這是建基於統(tǒng)計(jì)數(shù)據(jù)的精準(zhǔn)
語言資訊科學(xué)研究中心的「新聞名人榜」、「常用地名榜」及「常用詞語榜」均是從「LIVAC共時(shí)語料庫」統(tǒng)計(jì)整理而來的。「LIVAC共時(shí)語料庫」自1994年起由語言資訊科學(xué)研究中心主任鄒嘉彥教授主持開發(fā)，是特區(qū)政府研究資助局的角逐撥款資助項(xiàng)目之一。
橫跨十年的研究計(jì)劃
語料庫自1995年7月起定期收集香港、臺(tái)灣、北京、上海、澳門及新加坡六地主要報(bào)刊及電子媒介的語料，由電腦自動(dòng)切詞，再經(jīng)人工校對(duì)分詞，建立了以字、詞條、文句、全文等不同層次的語料庫，供從事語言學(xué)研究的學(xué)者
至2001年初，語料庫已收集了7,000多萬字、超過40萬個(gè)詞條，並在不斷擴(kuò)充中。目前上網(wǎng)可供檢索的為1995年7月至1997年6月間上述六地中文報(bào)章的語料，約1,600多萬字、近19萬詞條。計(jì)劃中，語料庫將一直收集及更新至2005年6月，預(yù)計(jì)完成後所收集的字超過一億或詞達(dá)60萬個(gè)。
漢語的時(shí)間錦囊
你可知"Internet"在上述六個(gè)華人地區(qū)有多少個(gè)常用的中文譯名？根據(jù)「LIVAC共時(shí)語料庫」自1995至2000年的記錄，最少有13個(gè)常用的中文譯名。每個(gè)地區(qū)的最常用譯名並不相同：香港是「互聯(lián)網(wǎng)」，臺(tái)灣是「網(wǎng)際網(wǎng)路」，新加坡是「網(wǎng)際網(wǎng)絡(luò)」，澳門是「互聯(lián)網(wǎng)絡(luò)」，上海和北京是「因特網(wǎng)」。
鄒教授說：「中文不是一個(gè)單一的語言，不同地區(qū)的中文有不同的地方色彩。很多人認(rèn)為香港年青人的中文不好，夾雜著粵語，其實(shí)是帶有價(jià)值觀的看法。即使是同一地區(qū)的語言，經(jīng)過一段時(shí)間後，也會(huì)有差異，語言是不斷發(fā)展的。我們可從語料庫看出，現(xiàn)代漢語在這10年間，在不同華人社會(huì)的發(fā)展與差異。」
應(yīng)用潛質(zhì)無限
鄒教授又形容建造語料庫的過程有如開荒，漫長(zhǎng)而艱辛，只要有「差之毫釐」的過錯(cuò)，也會(huì)造成「失之千里」的謬誤。例如「李鵬飛抵北京」這句子，究竟是指「李鵬」或是「李鵬飛」*到北京，電腦很難分辨出來。即使是人工校對(duì)，稍不留神都會(huì)直接影響到統(tǒng)計(jì)的準(zhǔn)確性。而且，整個(gè)研究計(jì)劃跨時(shí)十年，涉及語料近億字，甚至以「愚公移山」來形容整項(xiàng)工程，實(shí)不為過。「不過，當(dāng)成果成為一頓盛宴，可以讓有興趣的人士分享時(shí)，身為『開荒牛』的研究者，也會(huì)忘記多年的艱難困苦，而感到心滿意足了。」
除了學(xué)術(shù)研究外，具備龐大字庫、檢索及統(tǒng)計(jì)功能的語料庫，還有無限的應(yīng)用潛質(zhì)。香港法庭以廣東話進(jìn)行訴訟愈來愈普及，LIVAC語料庫可應(yīng)用於法庭以廣東話輸入記錄的程序。可輸入中文的流動(dòng)電話，亦需要龐大的詞庫作支援。而事實(shí)上，鄒教授說，語料庫已在資訊產(chǎn)品的開發(fā)研究上漸露頭角，開始被一些網(wǎng)絡(luò)及資訊科技產(chǎn)品開發(fā)公司如日本NTT、香港tom.com及美國AOL的附屬公司採用。
*註：前者為中國人大委員長(zhǎng)，後者為香港商人、政治評(píng)論員及前政界名人。