翻譯語料庫文本內(nèi)容選擇原則分析

何禮

摘 要：翻譯研究語料庫可分為平行語料庫，可比較語料庫，翻譯語料庫和口譯語料庫。 這些語料庫的編譯涉及文本選擇，注釋和對齊等方面，而文本內(nèi)容的選擇尤為關(guān)鍵。

關(guān)鍵詞：翻譯語料庫;文本內(nèi)容;選擇原則

一、翻譯語料庫選擇方法分析

在翻譯研究語料庫的研究中，三種文本選擇方法總結(jié)如下：

（一）基于學(xué)術(shù)成就或影響力的方法

如上所述，翻譯研究語料庫旨在用于調(diào)查翻譯特征，翻譯規(guī)范和語言轉(zhuǎn)換規(guī)則。因此，該語料庫中的文本應(yīng)該具有高質(zhì)量，影響力廣等特點(diǎn)。如果文本質(zhì)量不理想或翻譯內(nèi)容不合標(biāo)準(zhǔn)，則無法實(shí)現(xiàn)預(yù)期目標(biāo)。更糟糕的是，這樣的語料庫可能會提供誤導(dǎo)性信息，從而影響翻譯規(guī)范的研究。所以，翻譯研究語料庫中的文本應(yīng)當(dāng)是由著名翻譯家或由著名出版社出版的譯文構(gòu)成。如果有兩個(gè)或兩個(gè)以上相同作品的翻譯文本，建議選擇更加著名翻譯者或出版商的作品，因?yàn)樗麄兿碛懈蟮淖x者群和更廣泛的影響力。對于口譯語料庫而言，由于高級會議的語言質(zhì)量通常優(yōu)于低級別會議的語言質(zhì)量，因此前者的文本對于口譯語料庫的編制具有更大的價(jià)值。例如，胡開寶編寫的漢英會議口譯語料庫所收集的素材都來自于中國國務(wù)院及其各部委舉行的新聞發(fā)布會上的口譯文本。這種語料庫中解釋文本的質(zhì)量更加可靠。

（二）基于文本可用性的方法

基于文本可用性的方法涉及（1）源文本及其翻譯是否可用以及（2）翻譯的作品是否是真實(shí)的。如果源作品的翻譯作品不可用，則不應(yīng)將其包含在語料庫中。同樣，如果不能找到翻譯原文，也不能被包含在翻譯研究的語料庫中。 此外，專門為翻譯研究而制作的翻譯譯文不能是虛構(gòu)或者理想的文本，而是現(xiàn)實(shí)生活中的真實(shí)文本。

（三）基于時(shí)間的方法

基于時(shí)間的方法強(qiáng)調(diào)，翻譯研究語料庫應(yīng)該僅包含研究目標(biāo)所規(guī)定的特定時(shí)間段內(nèi)發(fā)表的翻譯作品，而不包括在此期間之外發(fā)表的翻譯作品。胡顯耀為當(dāng)代中國翻譯小說研究編寫的“當(dāng)代中國翻譯小說語料庫”，包括了1980至2000年間出版的中文小說多種語言譯本。上海交通大學(xué)的歷時(shí)英漢平行語料庫，包括了1911年至2011年出版的英漢翻譯作品。

二、文本選擇過程中的抽樣策略

語料庫中的文本應(yīng)根據(jù)語料庫的性質(zhì)選擇。專注與著名作家翻譯作品的專業(yè)語料庫，可以按照上面所提到的三個(gè)原則進(jìn)行篩選。 如果同時(shí)存在多個(gè)不同的版本，則應(yīng)優(yōu)先考慮知名度較高的版本。 對于一些具有更大范圍文本覆蓋的專業(yè)語料庫或通用語料庫，如果包括所有相關(guān)文本，這些語料庫的將過大，從而增加編譯和管理這些語料庫的復(fù)雜性。 在這種情況下，采用科學(xué)的抽樣策略尤為重要。

抽樣策略包括系統(tǒng)抽樣和分層抽樣。系統(tǒng)抽樣，稱為間隔抽樣。抽樣過程中，所有樣本按順序排列，以相等的間隔選擇。分層抽樣是把所涉及的對象分成不同的組（稱為層），然后從這些分層中以相同或不同的比例抽取樣本。前者稱為平衡抽樣，后者稱為塔式抽樣。編制翻譯英語語料庫（TEC）的策略是分層抽樣。語料庫中包含的文本首先分為小說，傳記，新聞報(bào)道和雜志文章。然后從這些類別中對每個(gè)群體進(jìn)行抽樣。

三、翻譯語料庫文本捕捉策略分析

文本捕捉是指將書面文本和口頭文本計(jì)算機(jī)化的過程。由于文本載體等方面的區(qū)別，捕捉書面文本和口頭文件的方法存在著較大差異。

捕獲書面文本的方法涉及手動(dòng)輸入，掃描和電子文本的使用。使用計(jì)算機(jī)手動(dòng)輸入文本，適用于轉(zhuǎn)錄音頻文件，手寫文本和掃描文件。這些文件通常包含了大量的雜亂的代碼等方面語言錯(cuò)誤，手動(dòng)輸入可以盡可能降低錯(cuò)誤率。 掃描方法是指使用掃描儀將文本輸入計(jì)算機(jī)。 在掃描文本時(shí)，應(yīng)注意兩點(diǎn)：（1）掃描機(jī)通常識別率較低，以及（2）有必要校對和編輯掃描文件以消除不必要的符號。此外，文本錄入也可以使用從因特網(wǎng)下載的已發(fā)布的電子文本。使用從互聯(lián)網(wǎng)上下載的文本的主要問題在于它們可能存在多余的空格，空白行，虛線，多余的語言符號，雜亂的代碼等問題，這些符號對于語料庫研究毫無價(jià)值，必須將其刪除。

語音文本的捕獲涉及音頻或視頻文件的獲取和轉(zhuǎn)錄。 音頻和視頻文件主要出現(xiàn)在日常交流，商務(wù)談判，會議演講和電視廣播節(jié)目中，通過磁帶或錄像機(jī)或通過購買電視廣播節(jié)目的音頻或錄像帶以及出版的磁帶或視頻錄制來獲得。

口頭文本與書面文本的不同之處在于以下幾點(diǎn)：（1）由于口頭交流是一種無意識的或即興的交流，它的文本中包含許多副語言特征，如修改，重復(fù)，暫停，笑聲，中斷，語言也存在一些錯(cuò)誤或不準(zhǔn)確。 （2）由于錄音質(zhì)量或說話者含糊的發(fā)音，口頭文本中可能會有難以理解的發(fā)音。 （3）口頭文本中的斷句無法通過標(biāo)點(diǎn)符號來表示，而是通過暫停的持續(xù)時(shí)間來表示。此外，句子類型（無論是陳述句還是疑問句）都是通過不同語調(diào)表現(xiàn)出來的。上升曲調(diào)表示疑問句，而下降曲調(diào)表示陳述或感嘆句。這些都是口頭文本和書面文本的區(qū)別。在將口頭文本轉(zhuǎn)錄成書面文本時(shí)，應(yīng)該考慮到這些差異，并通過使用各種書面符號來標(biāo)注這些特征。

例如，短暫停（2-3秒）可由符號“...”標(biāo)識，符號“......”表示長暫停（4-6秒）。 符號“ - ”表示中斷，而猶豫可以通過符號“...”標(biāo)識或通過單詞“er”或“well”標(biāo)識。符號“*”可用于表示難以理解的單詞。暫停時(shí)間的長短也決定了不同標(biāo)點(diǎn)符號的使用。 例如，如果暫停很長，則在話語單元之后使用句號或問號，而如果暫停很短則使用逗號。

四、文本的分詞與注釋策略

與英語單詞不同，中文單詞是由一個(gè)或多個(gè)漢子組成。一個(gè)漢字可能代表一個(gè)音節(jié)，但它不一定構(gòu)成一個(gè)單詞。另外，中文單詞之間沒有插入空格。鑒于漢語和英語單詞之間的差異以及對單詞級別進(jìn)行統(tǒng)計(jì)分析的需要，在語料庫中對中文文本進(jìn)行分詞是非常有必要的。目前，中文文本可以使用Autotag或ICTCLAS 3.0進(jìn)行單詞分詞。前者由臺灣中文信息處理集團(tuán)開發(fā)，后者由中國科學(xué)院計(jì)算技術(shù)研究所開發(fā)。 ICTCLAS3.0遵循中國國家標(biāo)準(zhǔn)GB13715的“當(dāng)代漢語信息處理分詞規(guī)范”，可用于中文文本的分割和注釋，分割精度達(dá)97%。但是，由于軟件無法識別中文專有名詞，縮略詞和數(shù)字，因此需要進(jìn)一步進(jìn)行手動(dòng)校對。