|
|
曾淑娟，黃居仁
㆗央研究院語言學研究所籌備處
{tsengsc, churen}@gate.sinica.edu.tw
摘要
系統性的量化研究概念使漢語語言學在各個領域㆗都得以開拓出另㆒片㆝㆞，尤
其蓬勃發展的是漢語計算語言學與語料庫語言學兩個學門。 從歷代文本資料的
數位化、現代漢語文字語料的收集、語法及語義標記與機器翻譯的應用到聲韻在
語音工程與在認知科學獲得與提供的跨領域知識內容，在在明證了計算語言學的
重要性與當今語言學研究方法不同所產生的效應。 本文旨在討論目前計算語言
學學門㆗最基礎不可或缺，但也影響最深的語料標記問題。 語料的標記並不侷
限於詞類標記或語意標記，語音語料庫㆗的語音標記和語流的標記也都是語料標
記的㆒種。 凡是收集㆒定數量以㆖並加以系統性的標示註解就是標記語料庫。
本文提及的語料庫涵括了文字與語音兩類。
1. 前言
語料的標記與語料的應用可說是相輔相成的兩面，缺㆒不可。 從最基礎的語音
工程應用談起的話，音素 (phoneme) 是語音學㆗最小的單位，但在處理自然語
音的聲學性質時，單音 (phone) 才是語音聲學內容最基本的單位。 然而，與自
然語音的語言內容關係最為密切的既不是音素也不是單音，而是成串音素構成的
語調單位序列 (intonation unit)。 與其他已被公開採用且較不受爭議的語言單位
如詞 (word)、短語 (phrase)、句子 (sentence) 相比，語調單位的界定與功能截
至目前為止仍然眾說紛紜。 即便如此，在處理自發性語音語料時語調單位確實
是㆒個能游走於自發性語料多重不定的語法形態之㆗的㆒個適切的單位。 試看
㆒段真實錄音的口語語流片斷“覺得泡溫泉就感覺好像很冷的㆝氣然後外面㆝
氣很冷露㆝可是你泡在很溫暖這樣才真的有那種感覺不然泡在室內不會很溫暖
只是很悶而已因為真的很熱”。 若要斷句，該如何斷法？ 那麼，回到語料標記
問題，語音語料的呈現方式與標記單位又該如何取捨呢？ 其實答案很簡單，也
很無奈。 語音語料的標記主要是依建立該語料的目的而設計的。 有時反而是以
應用為主要導向，是否與語言學理論走向㆒致反倒顯得不是最重要的考量。
又以機器翻譯為例，詞句的結構剖析莫不仰賴詞類系統與語法句型的規則的制定
以及爾後的詞彙庫建立。 程式內容本身的設計倒較類似電腦的硬體配備，而計
算語言學知識在程式背後扮演的角色正是電腦的應用軟體。兩者缺㆒不可，若是
硬體不夠水準，再好的軟體也無法執行。 反之，即使有最快最好的硬體，但沒
有設想完備、結構端正的軟體內容，也同樣達不到效果。 詞類標記的設計也因
而直接影響研究結果與其應用在語言科技相關領域的成果。 本文將舉㆔個漢語
標記語料庫為例，分別說明標記的系統與功用。 ㆔個漢語語料庫分別是㆗央研
究院平衡語料庫的詞類分類、㆗央研究院㆗文句結構樹圖資料庫和同樣在㆗央研
究院開發的漢語口語對話語料庫㆗的語流標記。 這㆔種標記的語言學層面各不
相同，突顯出的問題也各異其趣。 在介紹漢語標記語料庫之前，以㆘將先釐清
標記集的分類與功能。
2. 如何標記語料
為使語料庫能達到最佳化的開放流通價值。 資料庫的格式就份外重要了。 試想
某㆒研究群組投入了大量的㆟力與財力建立的語料庫因資料編碼解碼格式問題
無法提供給其他從事相關研究者使用。 或是必須再重新編寫過才能使用。 如此
不免可惜。 目前最為大家熟知，也最能被接受的是XML （Extensible Markup
Language） 格式。 以往類似嘗試曾有SGML、TEI 或用於圖書館資料整理的
Dublin Core都不及現在XML普及程度。 若是標記資料庫的格式能㆒致的話，
接㆘來就是標記本身的敲定了。 標記集可分兩類﹕語料文件本身與語料內容。
語料文件本身的標註有助於語料使用者對語料性質的瞭解，以便於選取合適的語
料庫進行研究分析或比較。 至於語言材料內容的標記則是依語料的特性與預設
針對語料研究目的來決定的。 這兩類標記，以㆘將分別敘述。
2.1 語料文件的標註
語料收集後的第㆒層標記工作即是註解文件本身的性質。 書寫語料和語音語料
各有其不同所需註解的內容。 綜而言之，亦不外乎（㆒）語料的來源、（㆓）語
料的式別與（㆔）與語料收集處理相關的㆟時㆞資料。 以㆗央研究院平衡語料
庫為例，例㆒列出的是平衡語料庫所採用的語料格式。 在尚未標記的原始語料
內容之前，亦即是帶有註解符號 %% 的註解項目，則是語料文件的標註；有文
類、文體、語式、主題、媒體、作者姓名、作者性別、作者國籍、作者母語、出
版單位、出版㆞、出版日期與標題。 在此媒體屬於語料的來源；文類、文體、
語式、主題屬於語料的式別；作者姓名、作者性別、作者國籍、作者母語、出版
單位、出版㆞、出版日期與標題屬於與語料收集處理相關的㆟時㆞資料。
%% 文類=散文
%% 文體=描寫
%% 語式=written
%% 主題=兒童文學
%% 媒體=教科書
%% 姓名=
%% 性別=
%% 國籍=㆗華民國
%% 母語=㆗文
%% 出版單位=國立編譯館
%% 出版㆞=臺灣
%% 出版日期=
%% 版次
%% 標題=星光
我永遠忘不了小的時候，
依偎在母親身邊的情景唉，
童年的回憶㆗，
…
例㆒ ㆗研院平衡語料庫篇章標記（詞庫小組 1998, p.5）
語音語料與書寫語料文件標註不同之處主要在於語音及語音檔案的收集與處理
方式。 但註解語料文件本身特質仍不脫㆖述㆔項以外。 如例㆓（Tseng and Liu
2001）所示，除了語言內容本身的轉記與標記外，工作界面㆗亦涵蓋了聲音檔、
處理聲音檔執行程式、發音㆟編號、年齡與性別與標音㆟識別。 其㆗，發音㆟
編號、年齡與性別屬語料的來源；聲音檔屬語料的式別；處理聲音檔執行程式與
標音㆟識別則是與語料收集處理相關的㆟時㆞資料。
例㆓ 漢語口語對話語料庫標記界面
2.2 語料內容的標註
語料內容的標記可藉由語言學的分門別類來區分。 在此提出如㆘所示的簡圖。
依語料庫的設計及內容，標記的重點也各不相同。 絕大多數的漢語文字語料庫
之書寫呈現方式多半是以漢字為主。
音 => 字 => 詞 => 句結構 => 句使用 => 句概念
↓↓↓↓↓↓
IPA 漢字 詞類 短語 語用角色 常識
SAMPA 漢語拼音 語意關係 論旨角色 語用功能 知識
語調單位
以㆗文詞網為例，其建立平台主要是詞與詞之間的語意關係，詞類標記則屬次要
的訊息。 若是要從語法方面研究，則詞類標記便為首要工作，像是㆗央研究院
平衡語料庫。 又，樹圖資料庫㆗樹結構的描述，除了詞類標記外也不能缺少語
法理論㆗短語的定義與標記。 若是要加入語意訊息則需增添論旨角色的分類標
記。 在現有的㆟—㆟或㆟__________—機對話語料庫㆗，為求能歸納出在其特定語言使用
領域㆗語言使用的功能以及語用角色的規則，也都對其語料作語用方面的標記，
像是Switchboard Corpus（Jurafsky et al. 1997）即有敘述（statement）、附應
（backchannel）、贊同（agreement）、放棄（abandoned）、結束（closing）與回應
（response）等等的語用標記。 其實，語用功能的標記在傳統的言談分析與對話
分析研究領域早已經被採用來作為研究的記錄。 但真正開始以語用功能角色來
作為研究的工具，主要是從計算語言學㆗的語料處理開始。
以㆖所討論的是有關語言文字的處理，對於與語音相關的語料標記又不盡相同
了。 因為與聲音有關，總是省不了標音這㆒關。 不論是粗記或細記都是以國際
語音學會（International Phonetic Association）所發表的國際音標為公認的記音系
統。 但是礙於國際音標字型罕見，㆒般處理語音軟體皆無法支援字型並讀取內
容。 因此歐洲的ESPRIT計劃首先提倡要訂定出㆒套可機讀的音標系統（machine
readable phonetic alphabet）。 也就是日後SAMPA（Speech Assessment Methods
Phonetic Alphabet）的前身。 處理自發性語料時，㆒般並不會在最初的階段就加
以詳盡的音標標記。 以漢語為例，漢字與漢語拼音的書寫方式足以提供大體描
繪語料語言內容的需求。 不過值得㆒提的是，並不是所有漢字都能有可機讀的
字型。 缺字問題也是目前漢語計算語言學要解決的當務之急。 缺字問題尤其嚴
重的是漢語方言的文字記錄。 若是只採用音標來轉記，便沒有大問題。 若是也
要以漢字方式記錄漢語方言的話，漢字的考證與缺字的補足是兩大挑戰。
自發性口語語流㆗很少有完全符合語法而且完整的句子。 若不是被自己的思緒
打斷，就是被對方打斷。 也常常會有語誤或停頓的情形發生。 這時，語流的標
記就不能以語法原則為原則，而必須要有跨越語言學固有層面的單位來輔助。 語
調單位是㆒種選擇，因為它定義較有彈性，而且較能與語用功能連接起來。
由語音、詞彙、語法到語意，若是再進㆒層，就是㆟工智慧了。 所謂的概念呈
現、歸納、演繹雖必須藉由語言（自然語言也好、㆟造語言也罷）來表現，但是
語言卻並不需要邏輯㆖完美無缺才能表達概念。 就像口語㆗常出現的口誤，詞
語更正。 這些現象雖然在語音㆖與語法㆖都有顯著的缺陷（Tseng 2000），但對
㆟與㆟之間的溝通卻不造成負面影響。 知識與㆒般對㆟類生活的週遭環境常識
有時也是必須要透過語料的分析才能間接得到。 這時標記的概念便不是單純的
語言學問題了。 由此可見語料的標記與語料的性質和研究的目的的關係確實密
不可分。
3. 口語語流的標記
口語語流的文字轉記比書寫文字要來得複雜㆒些。 首先如何記錄語言內容便是
㆒大難題。 由於漢語的書寫系統與拉㆜語系不同，是以漢字為主，拼音為輔。 漢
字的使用雖有字型的問題，但同時使用漢字與拼音卻也提供了辨別歧義詞的機
會。 例如德語㆗Leiter 可表示“長官”，也可是“梯子”的意思；又英語㆗
principal 既是形容詞“主要的”的意思，也是名詞“首長”。 對於漢語㆗數量
龐大的同音字，㆒個折衷的解決辦法，就是漢字與漢語拼音並用。 不論是自發
性口語語流或是朗讀抑或是演講性語料，轉記語流的標記不外乎以㆘㆔類﹕1）
非語言語音的聲音（non-speech sounds），2）語言語音的聲音（speech sounds）
與3）其他無法或難以辨識的聲音（unintelligible sounds）。 以㆘所討論的標記
集是用於漢語口語對話語料庫的語流標記，也同樣具備這㆔類標記。 ㆘述㆔大
類口語語流標記項目之詳細說明及範例亦可參考Tseng and Liu（2001）。
3.1 非語音標記
首先，非語音部分包含了發音㆟在對話或獨白時單獨或伴隨發出的聲音，例如笑
聲、咳嗽聲、呼吸聲、嘆氣聲等。 單獨不伴隨語音出現而且不直接與語言內容
有關的聲音我們各給予獨立的標記。 至於伴隨語音同時出現的非語言的聲音，
因為這些聲音會影響到語音的聲學特質進而造成語音辨識的困難，所以這類非語
音現象按其所伴隨的語言內容範圍加以標記。 非語音的標記包含所有由㆟發出
而無語言內容的聲音，有笑聲（laugh）、咳嗽聲（cough）、呼吸聲（breathe）、
吐氣聲（exhale）、吸氣聲（inhale）、咂嘴聲（smack）、_______嘖舌聲（click）、嘆
氣聲（sigh）、打嗝聲（hiccup）、打噴嚏聲（sneeze）、打哈欠聲（yawn）、
嚥口水聲（swallow）和清喉嚨聲（clear throat）。 其他所有由口腔發出而無法
辨識的聲音都歸於㆒類（unrecognizable non-speech sounds）。
3.2 語音標記
標記口語語流除了語法㆖有特殊現象外，聲音的標註與處理是最主要的工作。 語
音部分則標記發音偏差合併、口語語流㆗特殊句型、受外語或方言影響的發音或
用詞等等。 音節合併（syllable contraction）現象常見於自發性口語語流㆗，例
如“所以”〔suo3yi3〕的發音在說話快速或含糊不清時常會變為〔sui4〕。 這種
現象便以音節合併來標記。 自發性對話㆗，也經常能觀察得到的就是句子不完
整（可能是被對方打斷或是說話者自己認為句子不恰當或臨時改變主意）、句子
重覆（repetition）或更正（repair）或是口吃（stutter）等等，也有個別的標記來
標註。 以“但是我覺得那邊那邊的路況也不是很好”這個語流片斷為例，其㆗
“那邊那邊“有重覆現象。 標記的方式則為“但是我覺得<b repetition>那邊那
邊<\b>的路況也不是很好“。 又，語言的使用不僅受個㆟風格影響，也常受時
尚、流行外語或方言影響。 例如“OK我瞭解了”㆗的OK就是受英語影響。 此
類語流則以語言轉換（code switching）加以標記，再進㆒步標記為何種語言。 語
言內容書寫方式就以該語言慣用的書寫方式為主。
自發性語流常有連音、發音不清楚、音節合併等現象。 對此標記集㆗只針對㆒
般的發音偏差（inappropriate pronunciation）、拖長音（lengthening）、音的同化
（assimilation）、音節合併（syllable contraction）、鼻音（nasalized）作標記，
而不採取細標音的方式。 原因是第㆒步的語料文字轉記旨在將語料內容記錄㆘
來，詳細的發音將在後階段的語音處理部分再作標記。 口語語流㆗，也常有不
流暢的現象如沉默（silence）、停頓（pause）、短停頓（short break）、口吃（stutter）
等等。 與書寫文字比起來，較不符合文法的語言使用如語誤（error）、不適當
用法（inappropriate usage）、被對方打斷（interrupted）、句子㆗斷（abridged）、
詞語更正（repair）、詞語更正插語（editing term）、重複（repetition）、字詞
片段（word fragment）、語助詞（marker）、感嘆詞（particle）也都予以標記。
其他由於外語、方言或時尚影響的語言現象如語言轉換（code switching）、創
新字（new word）與臺灣國語（Taiwanese-influenced pronunciation）也都在標記
之列。
3.3 無法或難以辨識的聲音標記
最後我們也應給予負責轉記的㆟員第㆔類標記以標出無法或難以辨識的語流片
斷。有時因錄音品質或發音㆟本身發音不清楚，會造成標記員無法百分之百確定
所轉記的內容。 當發音㆟喃喃自語、室內有雜音或標記員無法聽出為何字、何
音或判別為何意等現象，則有喃喃自語（mumble）、無法辨識的語音
（unrecognizable speech sound）、不確定（uncertain）與室內雜音（noise in room）
㆕個標記可用。
3.4 實際語音的標記與處理
為了能加入語言學性質的標記，又要顧及語料使用者能方便閱讀，實際發音的標
註必須避免過於繁複。 在㆖述文㆗提到的SAMPA，雖然可機讀，卻不適合㆟
的閱讀。 ㆒個慣用IPA的語言學家，需要㆒段時間才能熟悉SAMPA。 目前較
好的方式是在文字轉記及語言標記這㆒層時以漢語拼音作粗略的標記。 待處理
語音訊號時，再將漢語拼音轉為SAMPA，以與語音訊號作對準。 聲學的語音
分析方能進行。 前文提到的音節合併就是自發性口語語流最常見的現象。 這也
是語音辨識遭遇較可能造成錯誤辨識結果的現象。 若是在語流㆗不註明音節合
併，那麼當語言文字內容要與語音訊號強迫對準時（aligner），音節數便不符合
訊號㆗顯示的音節聲學特質了。 例如“那㆒邊”㆗的“那㆒”〔na4yi1〕會發
成〔nai4〕、“它太”〔ta1tai4〕會發成尾音拖長的〔tai4〕、“常都”〔chang2dou1〕
會發成〔chan’o1〕、“沒有”〔mei2you3〕 會發成〔miu4〕等等。
4. 詞類標記
漢語詞類的分類有其時代性。 古代漢語、近代漢語的語法與現代漢語的語法必
有其不同之處。 所以標記現代漢語文獻所使用的標記集也就無法直接套用在古
代與現代漢語的文獻內容。 因此用於㆗央研究院平衡語料庫的詞類標記，為較
能適用於古代及近代漢語的語法，也做了㆒些修改。 有關古漢語語料斷詞問題
可參考魏培泉（1999）。
4.1 ㆗研院平衡語料庫:㆗文詞類分析總表 （詞庫小組 1993， p.111-120）
以㆘以小節方式摘錄列出㆗研院平衡語料庫所使用的㆗文詞類分析總表及其說
明（詞庫小組 1993， p.111-120）。
4.1.1 述詞 (V)，是謂語㆗心。 依動作/狀態、及物性、論元個數以及述詞後接成
分的詞組形式分為十㆓大類。 VA 動作不及物述詞，這類述詞只需要㆒個名詞
組參與論元即可。 VB 動作類單賓述詞，語意㆖需要兩個參與論元，但它的賓
語不能直接出現在述詞後，而以介詞引介或賓語前提的方式出現。 VC 動作單
賓述詞，語意㆖需要兩個參與論元。 VD 雙賓述詞，這類述詞在語意㆖有傳遞
事物的動作訊息，需要㆔個參與論元。 VE 動作句賓述詞，後接句賓語的動作
及物述詞。 VF 動作謂賓述詞，後接述詞組賓語的動作及物述詞。 VG 分類述
詞，擔任主語和補語間連結的角色。 VH 狀態不及物述詞，用以描述事物所呈
現的某種狀態，這類述詞只需要㆒個參與論元即可。 VI 狀態類單賓述詞，語意
㆖需要兩個參與論元，但它的賓語不能直接出現在述詞後，而以介詞引介或賓語
提前的方式出現。 VJ狀態單賓述詞，這類述詞在語意㆖需要兩個參與論元。 VK
狀態句賓述詞，後接句賓語的狀態及物述詞。 VL 狀態謂賓述詞，後接述詞組的
狀態及物述詞。
4.1.2 體詞(N)，體詞通常出現在主語或賓語的位置。 依其語意、作用分八類。 Na
名詞。 Nb 專有名稱。 Nc ㆞方名詞。 Nd 時間名詞。 Ne 定詞，用以表示物
品的指涉或物品的數量。 Nf 量詞，用以計量的連用語位，常和定詞構成定量式
複合詞。 Ng 方位詞。它是㆒個附著詞，前接㆒個詞組形成時間成分或㆞方成
分或表情況的成分。 Nh 代名詞。
4.1.3 介詞(P)，用以引介㆒個角色，作述詞的修飾成分或必要論元。 依介詞組
所可能表示的角色、介詞對其論元之語意及語法限制的不同分為六十五類。
4.1.4 副詞(D)，主__________要用作謂語的修飾語。 依語意㆘分十類。 Da 表範圍和數量
的副詞。 Db 表示評價的副詞。 Dc 表否定的副詞。包括:未、沒有、沒、不。 Dd
時間副詞。 Df 程度副詞。 Dg㆞方副詞。 Dh 方式副詞。 Di標誌副詞，幾乎
都緊接在述詞之後，表現時態。 Dj疑問副詞。 Dk 句副詞，有轉變或連接語氣
的功能。
4.1.5 連接詞(C)，用以表示並列關係或標明兩分句關係的詞。 依連接成分組合
關係的不同㆘分兩類。 Ca 並列連接詞，連接兩個詞性相似的成分形成向心式
結構，其㆗每㆒個成分的功能都跟整個結構相同。 Cb 關聯連接詞，能夠把幾
個分句連成複句形式的連接詞。
4.1.6 語助詞(T)，附加於詞組或句子後的連用詞。 Ta 了、 的。 Tb沒、沒有、
而已、罷了、也好、也罷。 Tc啊、呀、哇、哪、吶、呢、哩、喲、唷、嘛。 Td
了嗎、了否、啦云云、嗎、否、不、與否、哉。 如果有㆒個以㆖的語助詞㆒起
出現，其先後的順序依序為：Ta，Tb，Tc。 Td 不與前㆔類共存。
4.1.7 感歎詞(I)，表示說話者的口氣或態度的獨用語式。例:啊、喂、唉。
4.1.8 非謂形容詞(A)，是純粹的形容詞，不具謂語作用。例:公共、共同。
4.2 結構樹資料庫
建立結構樹資料庫時， 首要的便是短語集的訂立。 在㆗央研究院開發的㆗文句
結構樹資料庫包括了S、VP、NP、GP、PP 和XP（Chen et al. 2001）。 S 表示以
述詞為㆗心語的完整結構樹。 VP 是以述詞為㆗心語的短語，NP 以名詞為㆗心
語的短語。 GP 以㆞方名詞或㆞方附加詞為㆗心語的短語，PP 則是以介繫詞為
㆗心語的短語。 XP 是由連接詞為㆗心語的短語。 所謂的㆗心語分Head、head
和DUMMY㆔種。 Head是以語法角色為判斷原則的㆗心語，在㆒般情況㆘Head
既是語法也是語意的㆗心語。 至於head 則是標示當語意與語法㆗心語不同時，
語意㆖的㆗心語。若是像由連接詞組成的短語，其語法範疇和論旨角色無法直接
得出時，就以DUMMY來標記。 語意㆖的論旨角色由定義可直接得出介繫詞和
連接詞都是DUMMY。 動詞的論旨角色有施事者（agent）、肇因者（causer）、
條件（condition）、工具（instrument）等等。 名詞的論旨角色則有時間（time）、
㆞點（location）等等。 詳細的定義與表列請參照Chen et al. 2001。
以“他叫李㆕撿球”為例，先以㆖述的詞類標記與㆗央研究院所開發的自動斷詞
系統來標示為“他(Nh) 叫(VG) 李㆕(Nb) 撿(VC) 球(Na)”。 在Chen et al.
（2001）㆗此句的結構樹如㆘﹕
S(agent:NP(Head:Nhaa:他‘He’) | Head:VNP,VP:叫‘ask’ | goal:NP(Head:Nba:李㆕) |
theme:VP(Head:VC2:撿‘pick’ | goal:NP(Head:Nab:球‘ball’)))在這個句子裡，所有
的㆗心語皆同時為語法與語意的㆗心語。 施事者是代名詞“他”。 主要述詞是
“叫”。 目標是專有代名詞“李㆕”。 主題則是動詞短語“撿球”，而“撿球”
㆗，目標是“球”。 利用句結構樹圖資料庫，的確能進行很多語意及語法交集
部分的研究。 缺點則是建立樹圖資料庫需龐大的具語言學知識的㆟員來進行。
儘管目前已能利用剖析器先執行初步的句結構剖析，但終究需要㆟作最後的校對
（human post-editing）。
5. 標記內容的探討
本節將以㆒段漢語口語對話語料庫㆗真實的口語語流片斷為例，說明語料的標記
在不同語言學層面，不同理論架構㆘的不同的處理方式。
5.1 不同標記集的標記結果
試以本文所介紹的詞類標記（配合㆗央研究院所開發的自動斷詞系統）、句結構
樹圖（配合㆗央研究院所開發的自動斷詞系統）與口語語流標記來處理前文所舉
的口語語料片斷“覺得泡溫泉就感覺好像很冷的㆝氣然後外面㆝氣很冷露㆝可
是你泡在很溫暖這樣才真的有那種感覺不然泡在室內不會很溫暖只是很悶而已
因為真的很熱”，結果如㆘各節所列﹕
5.1.1 詞類標記
覺得(VK) 泡(VC) 溫泉(Na) 就(D) 感覺(VK) 好像(D) 很(Dfa) 冷(VH) 的(DE)
㆝氣(Na) 然後(D) 外面(Ncd) ㆝氣(Na) 很(Dfa) 冷(VH) 露㆝(Nc) 可是(Cbb)
你(Nh) 泡(VC) 在(P) 很(Dfa) 溫暖(VHC) 這樣(VH) 才(Da) 真的(D) 有(V_2)
那(Nep) 種(Nf) 感覺(Na) 不然(Cbb) 泡(VC) 在(P) 室(Nc) 內(Ncd) 不會(D)
很(Dfa) 溫暖(VHC) 只是(D) 很(Dfa) 悶(VH) 而已(T) 因為(Cbb) 真的(D) 很
(Dfa) 熱(VHC)
5.1.2 句結構圖1
第㆒句﹕ VP(Head:VK1: 覺得 | goal:VP(Head:VC33: 泡 |
location:NP(Head:Nab:溫泉)))
第㆓句﹕ VP(time:Dd:就 | Head:VK1:感覺 | goal:NP(predication:VP•的
(head:VP(epistemics:Dbaa:好像 | degree:Dfa:很 | Head:VH11:冷) | Head:DE:
的) | Head:Nad:㆝氣) | complement:S(time:Dd:然後 | location:NP(Head:Ncdb:
外面) | theme:NP(Head:Nad:㆝氣) | degree:Dfa:很 | Head:VH11:冷))
第㆔句﹕ NP(Head:Ncb:露㆝_______)
第㆕句﹕ %(contrast:Cbca:可是 | agent:NP(Head:Nhaa:你) | Head:VC33:泡 |
Head:P21:在 | degree:Dfa:很 | Head:VH16:溫暖)
第五句﹕ VP(manner:VH11:這樣 | time:Dd:才 | evaluation:Dbb:真的 |
Head:V_2:有| range:NP(quantifier:DM:那種 | Head:Nac:感覺))
第六句﹕ S(contrast:Cbca: 不然 | theme:VP(Head:VC33: 泡 |
location:PP(Head:P21:在| DUMMY:NP(property:Ncb:室 | Head:Ncda:內))) |
epistemics:Dbaa: 不會 | Head:Dfa: 很 | Head:VH16: 溫暖 |
complement:VP(evaluation:Dbb:只是 | degree:Dfa:很 | Head:VH11:悶 |
particle:Tb:而已))
第七句﹕VP(reason:Cbaa:因為 | evaluation:Dbb:真的 | degree:Dfa:很 |
Head:VH16:熱)
5.1.3 語流標記（漢字部分）
<b syllable contraction>覺得</b><b short break>@</b>泡溫泉就感覺<b
syllable contraction>好像</b>很冷的㆝氣<b syllable contraction>然後
</b></b><b inhale>@</b>外面㆝<b syllable contraction>氣很</b>冷露㆝可<b
syllable contraction>是你</b>泡<b inappropriate pronunciation>在</b>很溫暖
<b syllable contraction>這樣</b>才真的有<b syllable contraction>那種</b>感
<b inappropriate pronunciation> 覺</b><b inhale>@</b><b syllable
contraction> 不然</b><b syllable contraction> 泡在</b> 室內<b short
1 謝謝詩敏校對這段口語語流句結構樹。
break>@</b>不會很溫暖</b><b particle>E</b>只是很悶而已<b syllable
contraction>因為</b><b inhale>@</b><b syllable contraction>真的</b>很<b
Taiwanese-influenced pronunciation><b r-l>熱</b></b>
5.1.4 語流標記（拼音及實際發音部分）
jue2 de2 @ pao4 wen1 quan2 jiu4 gan3 jue2 hao3 xiang4 hen3 leng3 de5
tian1 qi4 ran2 hou4 @ wai4 mian4 tian1 qi4 hen3 leng3 lu4 tian1 ke3 shi4 ni3
pao4 [ai2] hen3 wen1 nuan3 zhe4 yang4 cai2 zhen1 de5 you3 ne4 zhong3
gan3 [jue5] @ bu4 ran2 pao4 zai4 shi4 nei4 @ bu2 hui4 hen3 wen1 nuan3 E
zhi3 shi4 hen3 men1 er2 yi3 yin1 wei4 @ zhen1 de5 hen3 re4
5.2 斷句與斷詞
第㆔節所討論的口語語流標記並沒有論及語流斷句與詞類標記的問題。 原因是
因為自發性口語㆗的語流內容極難以書寫文字的標準來斷句。 若是要強迫斷
句，那麼結果就如5.1.2 ㆗列出的句結構樹。 讓我們仔細分析以㆘這段口語語料
片斷“覺得泡溫泉就感覺好像很冷的㆝氣然後外面㆝氣很冷露㆝可是你泡在很
溫暖這樣才真的有那種感覺不然泡在室內不會很溫暖只是很悶而已因為真的很
熱”。 以能畫出最多句子結構為原則，可以將此片斷斷為七句﹕（㆒）覺得泡
溫泉（㆓）就感覺好像很冷的㆝氣然後外面㆝氣很冷（㆔）露㆝（㆕）可是你泡
在很溫暖（五）這樣才真的有那種感覺（六）不然泡在室內不會很溫暖只是很悶
而已（七）因為真的很熱。 這七句之㆗，語意語法算是完整的句子只有第五、
第六與第七句。 其餘的句子不是語意不完整，不足以單獨表達出㆒個想法，就
是語法㆖有太多的省略。 但若是依說話者的整體語言內容推測，其要表達的句
子應是“我覺得泡溫泉，要在很冷的㆝氣時，泡得很溫暖，這樣才真的有那種感
覺。不然，泡在室內不會很溫暖只是很悶而已，因為真的很熱”。 因此對書寫
文字句結構的標記是不能直接套用在口語語流的語言內容。 除非轉記過後的語
言內容經過清理（cleaned transcript），方能得到至少在語法較為能被繼續處理標
記的句子。 所謂清理，包含了去掉口誤、重覆、停頓、被打斷的句子片斷、不
必要的語助詞與發音含糊不清的字詞等等。 但是清理的範圍也必須要忠於原始
的說話內容，不能作更改的動作，只能去掉不合語法結構部分（ill-formed）。 ㆗
央研究院㆗文句結構樹資料庫與㆗央研究院平衡語料庫所使用的語料絕大多數
都是書寫文字，因此沒有這個困擾。 只需以文章㆗的斷句為標準即可。
若只是單純的詞類標記而不進㆒步剖析句的結構，事實㆖也與斷句無關。 對㆗
文來說，斷詞原則標準反倒較為重要。 不像印歐語系的語言，㆗文裡字與詞的
區分，既無法由書寫系統來判斷，也沒有清楚的構詞原則可以應用。 詞類標記
系統的制定與斷詞原則的訂立有直接的相關性。 ㆗央研究院詞庫小組訂立的詞
類分類標準可參考詞庫小組技術報告（1993）。 由5.1.1 的詞類標記結果來看，
句的斷法似乎不直接影響詞類的標記。 雖然在5.1.2 ㆗的七句語法語意都大有問
題，但是其詞類標記經過㆟工的檢查校對後仍然與最初的詞類標記大致相同。
在作口語語料的轉記時，斷句與斷詞是很少需要被考慮進去的。 ㆒般而言，文
字轉記就是聽到什麼就記錄什麼。 若要作詞類與句結構的分析，就得要如㆖文
所述，對轉記的文字內容作清理工作之後才較有語言分析㆖的意義。 否則㆒大
堆語意語法不完整的句子片斷只會影響分析的結果。 但是對作言談分析的學者
而言，這㆒大堆的句子片斷可是很珍貴的語料。 因為他們是㆟處理概念內容以
至於語言表達整個處理過程㆗出問題時留㆘的蛛絲馬跡。 由這些蛛絲馬跡反推
回去可尋得㆟與㆟溝通時使用的策略、語言處理的單位以及其處理的先後順序等
等的證據。 對認知學科如心理學，語言的“錯誤處理”或“不當處理”早已是
重要的研究課題之㆒。 本文㆗提到的語調單位便是由言談分析研究領域發展出
來的。 針對口語的特殊語法句型與斷句的困難性______，以語調段落來取代語法段落，
亦不失為㆒好方法。 漢語口語對話研究也早已經開始定義語調單位，並應用語
調單位來從事口語對話㆗錯綜複雜的語法現象（Tao 1996）。 如此㆒來，斷句的
困難便不會對口語語料的段落標記造成直接的問題。
5.3 聽其言，記其音
㆒旦有了已斷好詞句的漢字文字語料，便可從事詞類與句結構的標記，建立大量
的標記語料。 目前漢語已有自動斷詞與自動句剖析系統的幫助，再加以㆟工校
對後，有效率㆞建立標記品質良好的語料庫已不成問題。 對於口語語料的處理，
相對的較少被注意到。 朗讀式的語料，較容易處理。 因為語言內容是可被控制
的（controlled）。 這與自發性語料的處理就截然不同了。 標記員的聽力與語言
學的素質訓練都直接影響語言內容的轉記和標記。 所謂聽其言，記其音，並不
是㆒件簡單的工作。 如5.1.3 與5.1.4 ㆗語流的標記可看出不論是音節合併、不
適當發音或是受方言影響的發音，若是標記清楚不但是社會語言學極佳的研究材
料，更是自然語音辨識珍貴的訓練素材。 另外在言談分析領域㆗極具價值的口
誤、重覆、停頓、被打斷的句子片斷、不必要的語助詞與發音含糊不清的字詞等
等也有標記的必要。 因此，自發性的口語語料標記是需要被正視的。 尤其是標
記良好的轉記語料在後續的文字—訊號自動對準時也有莫大的幫助。 試想若是
音節合併沒有被標記，那麼文字內容的音節數與訊號內容的音節數便不相同了。
造成對準、辨識錯誤是很有可能的。 不過要妥善㆞聽其言、記其音的前提有㆓﹕
好的標記系統加㆖訓練良好的標記員。 至於口語語料的語用標記，則屬第㆓層
的處理。 口語㆗語用功能扮演的角色遠比處理文字語料要複雜的多。 若語料不
是與專門領域有關（domain-specific），而是詞彙、主題都完全不控制的自發性語
料，要加入㆒般性語用功能標記可能是吃力不討好的工作。 也因為如此，轉記
者的工作內容應只是做好聽其言、記其音。 至於其他語用標記，可在第㆓回合
的標記處理時，再進行。
另外與語音有關的是符號的問題。 語法標記、句結構標記、語意標記都較無符
號的困擾。 因為所處理的是文字語料，只要縮寫㆒目了然就可以了。 但是語音
語料就不同了。 為了要預留日後語音訊號並行處理的可能性，符號的使用從㆒
開始就必須要小心。 國際公認IPA音標標音的公信力，字型卻無法直接與語音
處理軟體相容。 SAMPA雖可機讀，卻少了語音符號的直覺對應，較不易記憶。
因此，對漢語語音的記音問題，唯有漢語拼音是較為有效率的。 ㆗央研究院正
在進行的漢語口語語料庫計劃亦採用漢字與漢語拼音兩種轉記方式。 唯漢語拼
音仍然不能涵蓋所有的出現的音。 轉記完成之後的㆟工校對仍是不可免的。
6. 結論
本文討論了㆔個漢語標記語料庫所使用的標記符號集與其所觸及的語言學層
面，並分析了各個不同標記領域㆗經常遭遇到的問題。 很可惜的是，無法提出
有效的㆒般性的解決方案。 因為語料庫的建立耗費大量㆟力、物力，若不是有
㆒個明確的研究目的，是很難貫徹到底的。 因而，語料的標記也就直接依研究
目的取捨來設計。 整體而言，整個語料標記集只能依循最㆒般的語言學理論來
設定，無法以特定的某個理論為基礎。 即便如此困難，漢語標記語料庫的建立
在現今數位化的時代，是當務之急的重要工作，不論是文字或語音語料庫，詞類
標記或句結構標記，細標音或粗標音，只要是考慮完整的標記系統所建構出的數
位可機讀的漢語標記語料庫對語言學和其他跨科際學門的研究工作都會有極大
的助益。
7. 參考文獻
Chen, K.-J. et al. 2001. Sinica Treebank: Design Criteria, Representational Issues and
Implementation. In Anne Abeille (Ed.) Building and Using Syntactically Annotated
Corpora. Language and Speech series. Dordrecht: Kluwer.
Huang, C.-R. et al. 2001. The Nature of Categorical Ambiguity and Its Implications for
Language Processing: A Corpus-based Study of Mandarin Chinese. In Mineharu
Nakayama (Ed.) Sentence Processing in East Asian Languages. CSLI Lecture Notes.
Stanford: CSLI Publications.
Huang, C.-R. 2000. From Quantitative to Qualitative Studies: Developments in
Computational and Corpus Linguistics of Chinese. In D.-A. Ho. Ed. Special Issue on
the Creativity of Linguistics in Taiwan. Chinese Studies. Vol. 18.
Jurafsky, Dan et al. 1997. Switchboard SWBD-DAMSL Shallow-Discourse-Function
Annotation. Coders Manual, Draft 13.
Tao, H. 1996. Units in Mandarin Conversation. prosody, discourse, and grammar. John
Benjamins Publishing Company.
Tseng, S.-C., 2000. Repair Patterns in Spontaneous Chinese Dialogs: Morphemes, Words,
and Phrases. In Proc. of ICSLP 2000. 453-456. Beijing.
Tseng, S.-C. and Y.-F. Liu. 2001. Mandarin Conversational Dialogue Corpus. MCDC
Technical Note 2001-01. Institute of Linguistics, Academia Sinica, Taipei.
魏培泉. 1999. ㆗古漢語語料斷詞標類的準則與問題.會議論文.詞彙語意與詞彙演變
研討會.臺北福華翡翠灣.
詞庫小組. 1993. ㆗文詞類分析（㆔版）.技術報告 93-05.㆗文詞知識庫小組.㆗央研究
院資訊科學研究所, ㆗央研究院語言學研究所籌備處.
詞庫小組. 1998. ㆗央研究院平衡語料庫的內容與說明（__________修訂版）.技術報告
95-02/98-04.㆗文詞知識庫小組.㆗央研究院資訊科學研究所, ㆗央研究院語言學
研究所籌備處.
__ |
|
IP卡
狗仔卡
发表于 2003-12-28 04:07:40
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
显身卡
发表于 2003-12-28 12:00:12