学术论文写作——Corpus

作者: 小小怪吃吃吃 | 来源:发表于2020-03-14 01:32 被阅读0次

学术论文写作——Corpus
如何成为学术论文写作高手(2):撰写方法部分
【天光学术】论文摘要的最全面讲解，英文的也有哦！
2019.1.17——学习记录《有效训练你的研究能力5》
Sci.Fun萨恩斯：【论文写作指导】编辑视角的学术论文撰写技巧
word2Vec用来训练词向量
在职研究生学术论文写作流程与写作技巧
如何成为学术论文写作高手(1):撰写引言
几点学术论文写作经验
天光学术——简单5步教你写好一篇学术论文，导师都惊讶了

0x01 工具介绍

语料库分析可分为在线查询和离线工具，off-line Corpus Analysis tools有AntConc和CORPUS，on-line 有美国当代英语语料库COCA：https://www.english-corpora.org/coca/。工具使用得当往往会达到事半功倍的效果，因此接下来对这两款工具的使用分别进行介绍记录。

0x02 PatternBuilder 及其在正则表达式编写中的应用

        PatternBuilder是一款专门用于辅助编写正则表达式以方便词性赋码语料库检索的工具，可以很方便地编写复杂的正则表达式。
        PatternBuilder是自动生成正则表达式的工具，帮助用户从词性符码语料库中提取各种语言特征。该工具可以生成简单的表达式如方位名词（\S+_NNL2\s）或较复杂的结构的表达式如被动语态（\S+VB\w*\s(\S+[RX]\w+\s)\S+_V\wN\s），用户可以测试并保存自己编写的表达式。具体用法可见梁茂成词性赋码语料库的检索与正则表达式的编写pdf。
        用法示例如下图：
（1）显示赋码首字母，如名词以N开头、动词以V开头。
（2）包含特定赋码首字母的各种语言特征。
（3）用户自定义的各种语言特征，如被动语态等。
（4）显示所选语言特征的正则表达式，用户也可在此编辑表达式。
（5）按正则表达式检索语料库后的索引行，用以验证表达式的正误。
        同时，为了尽可能做到少有遗漏，我们在得到基本的表达式后常常需要进行更细致的分析和推敲。我们可以利用 PatternBuilder 的【Get (Pattern)】按钮，在表达式中使用一个可选的（optional）组块。

PatternBuilder

0x03 AntConc的学习使用

1、word analysis：to retrieve an academic wordlist
2、Collocation analysis：to search for natural collocations
3、Pattern analysis：to find out standard grammar

1、索引工具
        单击File菜单，选择Open File(s).. 或Open Di..加载一个或多个要分析的文件，加载出来的文件会在主窗户的左边“Corpus Files”框里显示出来。
        在下方Search Term下的输入框里输入搜索词，单击“start”。以“work”为例，可以看到三个语料库中检索到了973条结果。这种结果是以KWIC（Key Word in Context）模式显示的。如果需要调整检索词两边显示的字符数，可以使用"Search Window Size"进行调整（调整完成后单击start重新检索）。
        除了检索整个词外，还可以用通配符进行高级检索。除了检索整个词外，还可以用通配符进行高级检索。
        我们还可以对检索的结果进行排序。使用Kwic Sort下的Level对检索结果排序，0是指该检索词，1L指检索词左边第一个词。2R指检索词右边第二个词。Level共有三级，可根据需要进行勾选。设置完成后单击“Sort”即可进行分类排序。

basic use

2、索引检索及定位
单击“Advanced”，勾选“Use search term(s) from list below”。就检索下面框内的单词。可以手动输入多个单词，也可以直接加载一个txt词表用来检索。注意每个单词独立成行。设置完成后单击“Apply”。
而高级设置中的“Use Context Words and Horizons”是指检索上下文词和该词出现的范围。例如，在Context Words中输入“with”，单击add添加，之后将该词出现的范围设置成“From 3L to 3R”。就可以看到work从左边数3个词到右边数3个词出现with的所有句子。

advanced
除了检索外，我们还可以看到该词在文章中出现的次数和位置，这就是索引定位（Concordance Plot）。单击竖线，还可以跳转至文件查看（File View），对上下文语境进行查看。

plot

3、词丛 Clusters/N-Grams
通过Clusters这一功能，可以把检索词及其临近的词生成一个列表，并且可以根据自身的需求进行排序分析。
N元是什么呢？简单来说，N元指单词的N 元。比如，“This is a pen.”这句话中二元是”this is”, “is a”和”a pen”。三元则是”this is a”和”is a pen”。因此，一个大的文件将会产生大量的N 元。N-Grams与Clusters功能操作起来很像。

Clusters/N-grams

4、搭配 Collocates
搭配功能，简单来说，可以生成检索词的有序的单词列表，用来查看搭配词与检索词相关性。
由于搭配功能需在生成词单的基础上才可使用，因此会自动弹出生成词单的对话框，我们单击确定即可。

collocate

5、词单 Word List
打开AntConc，加载语料库文件后，单击“Word List”选项卡，之后单击“Start”，即可生成词单。在界面上方可以看到形符和类符的数量。所有的单词默认按照词频来排序，包含序号（Rank）、词频（Freq）、单词（Word）的统计信息。
界面中有一列是Lemma Word Form（词型）。该功能的启用要加载词元列表（Lemma List）。在菜单栏“Tool Preferences”中的“Word List”中，可以在“Lemma List”中加载词元列表。

什么叫Lemma List？什么叫Lemma Word Form？
例如，abbot和abbots具有相同的词元（lemma），而abbot和abbots是两种不同的词型（lemma word form）。AntConc官网就提供了5种词元列表供用户免费下载哦，截图中以“Someya Lemma List (no hypens)”为例。

在菜单栏“Tool Preferences”中的“Word List”中，可以对检索单词进行过滤。例如，输入“that”和“this”，选择“Use specific words below”，在词单页面仅能查看“that”和“this”的相关结果。若选中“Use a stoplist below”，则会在词单中排除“that”和“this”的相关结果。选择“Use all words”不会对结果产生变化。