语体的多维度分析:各类文字的写法差在哪几方面
规划文本、游记和访谈稿,写法一读就不同。这篇讲多维度分析怎样一次数几十项语言特征,找出总是一起出现的几组,把差别归成几个维度;它怎样从英语走到别的语言和网上的文字,各学科拿它研究什么,想深入该读哪几篇论文。
假设你在研究一座古镇的保护与开发,手边有规划文本和宣传册,有报纸报道和游客游记,还有你和老住户的访谈稿。讲的是同一座古镇,写法却很不一样。规划文本一句话里排着好几个名词,【我】和【你】几乎找不到。访谈稿里【我们】【就是】【那个】接连不断,句子也短;游记则爱用【那天】【后来】把事情一件件往下讲。这些差别谁都读得出来,要写进论文,就得说清差在哪几个方面,各差多少。
语言学把这种按场合和用途分出来的写法叫语体(register)。多维度分析(multi-dimensional analysis)比较语体时,一次数很多项语言特征,从代词和名词,到动词的时态、被动句和介词短语,看它们在大量文本里怎样一起涨落。总在同一些文本里一起变多的一组特征,连同另一组在这些文本里跟着变少的特征,合成一个维度。研究者再看这组特征合起来在做什么事,给维度起名,比如【投入交流还是传递信息】【叙事还是不叙事】。每篇文本在每个维度上得一个分数,公文和闲聊、游记和新闻之间的距离,就落到几把共同的尺子上。文体测量数写作习惯是为了认出作者,这里是为了认出一类文字。
从口语和书面语之争到网上的文字
口语和书面语到底差在哪,研究的人很多,说法却常常互相矛盾。Biber 1986 年在期刊 Language 上的论文认为,矛盾可能出在方法太窄,整体结论过分倚重个别语言特征,或倚重挑了哪些文本样本和文本类型。论文改用多特征、多维度的做法,拿 545 份文本样本,每份约 2000 词,统计 41 项语言特征怎样分布,再做因子分析(factor analysis,用少数几个因素解释一大批变量,思路近似主成分分析)。结果得出三个维度,互动的与经过编辑的文本,抽象的与依托情境的内容,转述的与即时的风格,早先研究里的具体结论在这个模型里得到了调和(Biber,1986)。前一年 Biber 在 Linguistics 上的论文,题目里已有 multifeature/multidimensional(多特征、多维度)的说法(Biber,1985)。
两年后的专著《Variation across Speech and Writing》(口语和书面语之间的变异)分析了英语的 23 种口语和书面体裁,依据语言特征的共现模式找出六个维度,并认为把口语和书面语分成截然两极的看法是误导人的(Biber,1988)。Sheng 和 Li 2024 年的研究严格沿用了书里六个维度、67 项特征的模型,六个维度依次是投入交流与传递信息,叙事与非叙事,指称明确与依赖情境,明说的劝说,抽象与非抽象的信息,以及边说边展开的信息(Sheng 与 Li,2024)。拿叙事维度说,一头多用过去时和第三人称代词,小说和传记常这样;另一头多用现在时和定语形容词,新闻广播和公文常这样(Clarke 与 Grieve,2019 的概述)。
别的语言是不是也有这些维度?Biber 1995 年的《Dimensions of Register Variation》(语体变异的维度)用同一套框架分析四种差别很大的语言,除了英语和韩语,还有努库莱莱图瓦卢语(Nukulaelae Tuvaluan)和索马里语,既比同一时期各语体的差别,也比历史上的变化。书的简介说,四种语言之间有惊人的相似,也有不同,Biber 由此第一次能够预测语体变异的跨语言共性(Biber,1995)。
中文这边,Zhang 2012 年用兰卡斯特汉语普通话语料库(LCMC),在 Biber 1988 年的框架下,用对应分析(correspondence analysis,一种压缩数据的办法)从几种书面语体里找出并解释了三个维度,显示中文各书面语体之间的语言变异相当广泛(Zhang,2012)。
Biber 2014 年回顾了到那时为止的多维度研究。它们都是自下而上用统计找维度,每项都找到一些只属于那种语言或那个领域的维度,同时几乎每一项里都出现了语言上相似的维度。其中两个特别稳,一个是【口语式】和【书面式】话语的对立,前者以小句为主,后者以短语为主,一个是叙事与非叙事的对立,很有希望是语体变异的普遍维度(Biber,2014)。
到了 2016 年,Biber 和 Egbert 指出,以往的多维度研究多盯着博客和社交媒体帖子这些新语体,因此对网上语体的全貌所知甚少。他们改为分析一份能代表整个可搜索网络的样本,请普通网民给每份文档标注场合和交际目的,分出 8 个大类和 27 个具体类别,再用多维度分析比较这些语体(Biber 与 Egbert,2016)。
网上的文字又常常很短。Clarke 和 Grieve 2019 年指出,多维度分析一般只用于 500 词或 1000 词以上的文本,他们收的推文平均只有 17 个词。十个词的推文里,出现过的词频率至少是十分之一,没出现的都是 0,这样的频率靠不住,以往多是把许多条拼成长文本再算。他们改为每条只记一项特征有没有出现,再用适合分类数据的多重对应分析(multiple correspondence analysis)代替因子分析(Clarke 与 Grieve,2019)。
同一年出版的一部多维度分析论文集里,Nini 写的一章以 Multi-Dimensional Analysis Tagger(多维度分析标注器)这个程序为题(Nini,2019)。Sheng 和 Li 做分析用的就是这个程序,按他们的说明,它尽量照原样重做 Biber 1988 年的分析,用 67 项特征的标准化频率算出维度分数,画出语料在那几个维度上的位置,并报告它最接近哪一种文本类型。
Song 等人 2021 年对普通话做了一次全面的分析,语料包括 20 种口语和书面语体,标注 88 项语言特征,因子分析得到由其中 65 项组成的五个维度。前两个是互动与信息、叙事与非叙事,和以往说的普遍维度相近;第四个【带立场的即时随意口语】是普通话特有的;第三个衔接与推理的明确程度和第五个抽象信息,都和外来影响有关(Song 等,2021)。
| 年份 | 谁 | 留下了什么 |
|---|---|---|
| 1986 | Biber | 41 项特征、545 份样本,因子分析得出三个维度 |
| 1988 | Biber | 英语 23 种口语和书面体裁的六个维度 |
| 1995 | Biber | 比较四种语言,预测跨语言共性 |
| 2012 | Zhang | 中文书面语体的三个维度 |
| 2014 | Biber | 两个可能普遍存在的维度 |
| 2016 | Biber 与 Egbert | 对整个可搜索网络做多维度分析 |
| 2019 | Clarke 与 Grieve | 只记特征有无,分析很短的文本 |
| 2019 | Nini | 以标注程序为题的一章,程序重做 1988 年的分析 |
| 2021 | Song 等 | 普通话口语和书面语的五个维度 |
记者会、年报和新闻评论
Sheng 和 Li 2024 年用中国政府记者会的英语口译,对照美国政府记者会的英语原话。两边一样有说服力,口译这边信息密度更高,投入交流的程度更低,非叙事的内容更多,指称更清楚,抽象信息更多,信息展开略少。论文认为这和机构话语的性质、口译规范以及交替传译的工作方式等有关(Sheng 与 Li,2024)。Yao 等人 2024 年研究中国例行记者会上的外交口译,做的是完整的多维度分析,对 113 个语言变量做因子分析,得出五个维度;和非口译的语言相比,口译的外交语言信息更多,更客观,更少展开和叙事,也更接近正式语体(Yao 等,2024)。
Ren 和 Lu 2021 年把多维度分析用在企业年报上,比较中美两国上市公司年报里的【管理层讨论与分析】部分,公司都在 2015 年的《财富》世界 500 强名单上。和美国公司相比,中国公司写的这部分更偏叙事,观点表达得不那么明确,专业、抽象和正式的程度也低一些。美国公司的这些特征不随公司规模和盈利水平显著变化,中国公司的则随规模显著变化(Ren 与 Lu,2021)。
网络新闻下面的留言常被叫作【对话】。Ehret 和 Taboada 2020 年用多维度分析检验这个说法,把新闻评论和面对面交谈、学术写作等传统语体对比,发现网络评论不像即兴的对话,更接近评论文章或考试答卷,明显属于书面语体,应当看作论证性、评价性的语言(Ehret 与 Taboada,2020)。
想深入可以读这几篇
- Biber(1986)Spoken and Written Textual Dimensions in English: Resolving the Contradictory Findings,三十来页,讲三个维度怎样调和口语书面语研究里的矛盾。
- Biber(1988)Variation across Speech and Writing,六个维度的出处。
- Biber 与 Conrad(2009)Register, Genre, and Style,教材,从语体、体裁和风格三个角度分析文本,每章后面有练习,2019 年出了第二版。
- Biber(2014)Using multi-dimensional analysis to explore cross-linguistic universals of register variation,介绍方法,回顾到那时为止的各项研究。
- Zhang(2012)A corpus study of variation in written Chinese,中文书面语体的多维度分析,也讨论了特征怎么选、维度怎么解释。
- Clarke 与 Grieve(2019)Stylistic variation on the Donald Trump Twitter account,全文免费,讲很短的文本怎样做多维度分析。
在 TATOOLS 里看一批文字的写法
政策文件、访谈稿和游记,都可以交给 TATOOLS 的【写作风格判定】。它的八个维度是固定的,比如正式程度和论证严谨度,报告给每篇文字在每个维度上打 0 到 100 分,写明依据的是哪项统计特征、数值多少,再把这些分数画成风格维度雷达。报告还从学术论文、公文等十类候选文体里列出每篇最像的几类和置信度;几篇一起交时,同一维度上谁高谁低会并排列出。