专题∣2018中青年语言学者沙龙主题发言（三）

《语言战略研究》微信公众号近期推出“2018中青年语言学家沙龙”专题。敬请关注！

潘悟云，上海师范大学教授

语料大数据作为语言学证据的作用

——“2018中青年语言学者沙龙”主题发言

潘悟云

大数据的实质不是数据大的问题。很多人认为数据大就是大数据，不是的，大数据是一种新的思维：总体思维、容错思维、相关思维。

我把《大数据时代》从头到尾看了一遍，里面个案多，具体的原理讲得并不多。所以我就自己的想法向大家请教：

我们做研究的人都是从信息到信息，信息包括质和量两个方面，比如我们要研究这个词是名词还是动词，这是质的方面。但也有量的方面，这本书里面这个词出现的频率是多少，这就是量的方面。

大千世界，这么多的质的问题并不是都能够解决好的，牛顿的万有引力也只是解决相关问题，引力大小与两个物体质量的乘积成正比，但是为什么会成正比，物理学界还没有解决。很多质的问题不能解决，有时可以用量来弥补质的不足，也就是说可以从量推出质，这是研究语言学的人比较关心的问题。

大数据的量需要多大？一是同研究的对象相关。比如我们研究方言，共有2000个点，我们有1500个点就足够多了。二是数据量与数据的性质相关。数据有结构性数据，有非结构性数据，目前大数据做的基本都是非结构性的。但语言学的数据是结构性的。假如我们只是把声音录下来，那是非结构性的，但如果我们还记上音标，标注了它们的词性、句子成份，那就包含了结构的信息。所以语言学所做的数据量同一般工程的数据是两回事，有时候不需要那么大，因为我们已经包括非常多的信息在里面了。

我们再讲大数据的容错度问题。因为数据大，就不需要那么精确，我们通过统计的方法发现规则，稍微错几个地方有时候并不影响规则的正确性。同时，它同研究对象也有关系。我们曾按方言声调数的分组做了语言分布图：2—3个一组，4—5个一组，6个以上一组。数据库中有一个方言有16个声调，觉得很奇怪，核对以后只有8个。其实，按照以上的分组，即使不纠正它，也不影响总体结论，因为8个也好，16个也好，都属于大于6的一组。

大数据的最重要内容则是相关思维，即通过增加数据的量来获取更多相关信息，从而进一步获取因果的关系。我们举“家”字为例，来看看如果把信息量加大会得到什么以前没有想到的内容。比如把“家”从一个字扩展到与它有相同中古音的类，见母开口二字，这至少可以把它的数量增加100多倍。我们再把一个方言点的读音增加到1200个，乘起来的至少可以增加10万倍。下图就是把数据的量增加以后所得到的地理分面图，红色表示读k-的方言，蓝色读非k-的方言。

图上可以看出，语言点的分布是有序的，有序性表明它里面一定是有规则、有原因的。我们就从这张图讲起，第一，为什么会有这样的分布？第二，为什么以k-的读音作为它的分类？

第一个相关关系，见母开口二等字声母读“k-”的地理分布与东吴疆域相关。

在古代的中国，行政中心往往是政治、经济、文化的中心，文化强势产生语言的强势，附近方言的演变都会向它靠拢，形成一个向心结构。于是，这组方言会形成一个同演区，即具有相同演变的方言区。所以行政区与同演区有相关性。

利用同演区的概念，我们可以追寻一种音变的历史原因。

左上图是两种方言的特征分布，我们一下子难以得知这种分布反映什么问题。右上图我们把一张历史行政图盖上去，就能明显看出来，其中的一种特征实际上是与这个历史行政区有关，由于人口迁移等方面的原因，使语言特征互相之间发生渗透。

用这种方法，我们把中国历史行政地图一张张盖上去，结果只有三国东吴的行政地图与见母开口二等的地理分布贴合。不过，光是这么一张图也可能是属于偶然现象，我们做了好多张语言地图，如汉语声调数大于6的分布图、微母读鼻音的分布图、日母读鼻音的分布图、阴去与阳去有别的分布图、从邪不分的分布图，特别是现代东南方言的分布图，都有相同的地理分布。这么多的地图都有相同的分布，那就决不是一个偶然现象了。于是，我们就从这种相关性去寻找它们的因关性。

江南在魏晋以前是百越区，《三国志》许靖与曹操书，自述从会稽“南至交州，经历东瓯、闽越之国，行经万里，不见汉地”。魏晋以前，中央对百越地区一直没有实现有效的统治，一直到东吴，在强势汉文化的影响下，各地的百越居民纷纷汉化，在学习汉民族先进文化的同时，也接受了汉语。他们所学的汉语实际上是带有自己母语特征的中介语，这就是汉语东南方言的前身。

除此以外，我们还可以进一步引出以下的结论：

1.魏晋是汉语方言的形成期。

2.白读优势。在东南地区见母开口二等字通常是白读才读k-。我们的统计是针对所有包括文读与白读的见母开口二等字，对读音最多的字按k-与非k-进行分类。分类结果是白读字占多数，而且是整个东南方言都是如此，也就是说白读是占优势的读音。

3.汉语方言的分类应该有个层次。汉语的各大方言不是并立的，应该首先分官话和东南方言。

第二个相关关系，见母开口二等声母的地理分布与k-相关。

见母开口二等在全国的方言中有k-、tɕ-、tʃ-、ts-、c-等读音，我们为什么要选取k-作为地图分类的依据，而不是采用其他的音呢？当然，我们也可以采用其他的分类依据，如把k-、tɕ-分为一类，其他为一类。我们按照所有可能的分类一幅幅地画成语言地图，结果发现只有k-与非k-的分类图中方言分布最为有序。有序就意味着规则，蕴含着深层次的因果关系。语言地图的依据是方言特征的统计结果，如果把这种结果与方言史、音变规则结合起来考察，我们会发现逻辑与历史的一致。

决定音变最重要的因素一个是发音器官，一个是听觉器官，这是古今中外都一样的，所以人类语言的音变有普适性，这就是自然音变（Natural Process）。

第一条音变，k腭化以后会有音自然音变：kʲ->c->tɕ->tʃ->ts-

第二条音变，见母二等在上古到中古是kʳ->kᶭ-

于是，我们就得到了见母开口二等字的历史演变图：

这也就从因果性上解释了见母开口二等字现代声母读音的地理分布。