Quantitative Corpus Linguistics with R: A Practical Introduction（基于R的定量语料库语言学：实用导论）

引用

Gries, S. Th. (2017). Quantitative Corpus Linguistics with R: A Practical Introduction (2nd ed.). Routledge.

章节概要

第二版共六章，正文约270页。它有意不做语料库语言学的综述：格里斯说，本书聚焦于面向语料库语言学者的 R 编程，只预设基本的语料库语言学知识，不要求数学或编程基础，并要求读者在电脑前边运行代码边阅读。与第一版相比，第2章增加了离散度（dispersion）；第3章增加了更完整的 Unicode 一节、XML 一节以及编写自定义函数一节；统计一章由第五章移到第四章；第5章的案例研究是全新的。

第1章：导言（Introduction）

本章解释为什么一本语料库语言学的书要教编程。作者认为，脚本让研究者掌控方法选择，不依赖某个检索软件的设置或开发者，能处理更多种输入和输出格式，而且 R 是免费的开源软件。其中一节概述全书及学习辅助：简短的“思考停顿”（Think Breaks）、附答案的练习框、进一步建议框，以及配套网站和讨论组。

第2章：四种核心语料库方法（The Four Central Corpus-Linguistic Methods）

这是一个简短的概念性章节，先定义语料库并区分语料库的种类，然后介绍作者认为大部分语料库工作可归结为的四种方法：频率表、离散度信息、词汇共现（搭配）以及（词汇—）语法共现（索引行）。

第3章：R 入门（An Introduction to R）

这是篇幅最长的准备章节，从零开始教授 R：数据结构、函数与参数；向量；因子；数据框；列表；包含条件表达式和循环的基本编程；以及编程规则。相当大的篇幅用于字符和字符串处理（含正则表达式与不含正则表达式两种），随后是 Unicode 和 XML、文件和目录操作，以及编写自定义函数。

第4章：基本统计概念与检验（Some Basic Statistical Notions and Tests）

一个有意写得简短的章节，介绍统计思维：变量及其作用、假设的提出与操作化、数据分析与显著性检验。内容按因变量类型（分类或数值）以及所涉及的自变量来组织，最后是结果的报告。

第5章：在语料库语言学中使用 R：案例研究（Using R in Corpus Linguistics: Case Studies）

这是本书的主体章节，也是本版新增的内容，收录三十多个案例研究，分为四组：离散度；频率、频率表与关键词；共现数据（搭配、类联接、搭配构式）；以及其他应用。例子包括字符和词的 n 元组、关键词、分裂不定式、must 之后的动词搭配词、《哈姆雷特》与《麦克白》的类符—形符比、词汇频率概况以及 CHAT 习得语料文件。

第6章：下一步 . . .（Next Steps . . .）

一个非常简短的结尾，指出值得进一步探索的 R 包。之后是附录和索引。

核心概念

第1–2章：理由与方法

• 脚本化分析：用选择可见、可复现的程序取代现成的检索软件。
• 语料库、频率表、离散度、搭配、索引行：四种核心方法的词汇。

第3章：R

• 向量、因子、数据框和列表：全书使用的数据结构。
• 正则表达式：文本中搜索和替换的工具。
• Unicode 与 XML 处理：处理编码文本和带标注的语料库。
• 自定义函数：把分析打包以便在第5章重复使用。

第4章：统计

• 假设与显著性检验：提出并操作化一个问题，检验结果是否值得注意。
• 因变量与自变量：所介绍的检验的组织原则。

第5章：案例研究

• 搭配、类联接与搭配构式：词汇和语法共现分析。
• 类符—形符比与词汇频率概况：应用中使用的词汇度量。

评析

优点

• 以动手为设计原则。 全书通过小型应用和较大的案例研究来教学，配有思考停顿和带答案的练习框；出版社指出配套网站提供约7,000行带注释的代码和大部分数据集。
• 无需编程或数学基础。 第1章明确说只预设基本的语料库语言学知识。
• 案例研究章节。 新增的第5章用 BNC、COCA、COHA 等语料库展示技术如何应用于真实的语料库问题。
• 坦率说明难度。 导言提醒读者，这本书不能躺在床上轻松读完，必须在电脑前逐步练习。

局限

• 不是综述。 作者说明本书不试图综述语料库语言学，因此语料库设计和理论问题需要另读他书。
• 统计部分简短。 作者称第4章很短；需要统计建模的读者要另读专门的书，作者指向自己为语言学者所写的统计学著作。
• 依赖 R 和配套代码文件。 许多解释在配套代码中，书中脚本以作者的文件组织和数据为前提。

在课程中的定位

这是语料库方向中偏重编程的一本。麦肯纳里与哈迪的 Corpus Linguistics: Method, Theory and Practice 讲解语料库的建立、标注和分析，并把该领域置于学术争论之中；乔莫伊与克劳福德的 Doing Corpus Linguistics 是利用公开语料库的循序渐进的首门课程。伯德、克莱因与洛珀的 Natural Language Processing with Python 以及朱拉夫斯基与马丁的 Speech and Language Processing 是计算语言学教材，格拉斯等人的 Language and Computers 则是不涉及技术细节的语言技术入门。

建议在学完语料库语言学的第一门课、熟悉四种方法之后再读格里斯，目的是自己动手实现它们。对想用 R 而不是 Python 的语言学者来说，它是伯德、克莱因与洛珀之外的自然选择。

如何使用本书

本书适合已修过语料库入门课的语言学研究生和研究者。不需要编程经验，但需要一台装有 R 和配套文件的电脑。

阅读安排：

• 核心： 先读第2章了解术语，然后完整地读第3章并运行每个例子；做练习框并对照答案。
• 接着： 手头有自己的数据要检验时读第4章。
• 应用： 第5章，挑选与你的项目最接近的案例，然后改写代码；关于频率和共现的几组最为通用。
• 选读： 第3章的 Unicode 和 XML 部分，等到遇到这类语料库时再读；第6章留待以后参考。