|
引言 从20世纪80年代开始, 语料库技术就已经应用于翻译研究 (:21) 。英国曼彻斯特大学Mona发表了“ Corpus Linguistics and Translation Studies: Implications and Studies”一文, 被普遍认为是语料库翻译研究的滥觞之作, 成为语料库翻译学研究范式诞生的标志。时至今日, 语料库翻译学已经走过了二十多年的发展历程。与任何一门学科兴衰成长的轨迹一样, 语料库翻译学研究在其自身的发展中, 在大数据时代背景下, 也逐渐呈现出“研究范围狭窄、初级定量分析较多、复杂定量统计缺乏、跨学科性研究不够”等不足之处 (:28) 。语料库翻译学研究应该突出翻译的跨学科特性, 采用复杂定量统计方法, 从跨学科视角对定量数据进行详细解读。:38) 则指出“语料库翻译学也应该积极探讨与社会学、认知语言学、计算语言学等相结合的跨学科研究, 拓展研究空间和研究深度”。以上所提不足, 属于语料库译者风格研究领域的问题。语料库译者风格研究属描写翻译研究的范畴, 已成为语料库翻译学研究的重要分支, 备受国内外研究者的关注。:80) 在对语料库译者风格研究的反思中指出, 语料库译者风格研究的内容范围有待扩大, 研究方式应由局部风格 (local style) 考察转向整体风格 (global style) 研究, 译者翻译风格考察不应局限于平均词长、句长和标准化类-型比等单一的传统形式参数, 应当借鉴语料库文体学、计量语言学和计算语言学等相邻领域的研究方法, 拓宽译者风格研究的范围。:15) 从词汇、句法结构、叙事特征和翻译策略四个方面, 归纳了语料库译者风格研究的参数内容, 并指出语料库译者风格研究的范围有待扩大, 研究内涵有待深化。基于当前研究的局限, 语料库译者风格研究需要不断地丰富研究理念和内涵, 扩展研究参数和内容, 采用复杂定量统计方法提升研究结果的精确性和可靠性。 鉴于此, 本文在梳理国内外现有研究的基础上, 尝试从大数据、计量语言学和计量风格学等相邻学科的角度阐述大数据时代语料库译者风格研究的跨学科拓展。本文拟探讨如下三个问题:1) 大数据时代背景下, 语料库译者风格研究的理念应该有怎样的转变与拓展; 2) 语料库译者风格研究应该从相邻学科借鉴哪些语言计量方法; 3) 大数据时代的语料库译者风格研究应该在哪些方面与相关学科交叉融合, 以实现其研究方向和内容的拓展? 2. 语料库译者风格研究的理念拓展从本质上讲, “style” (文体或风格) 一词是指语言使用或行文中所表现出来的规律性特征。提出了基于语料库的译者风格研究方法论, 指出其本质仍属描写翻译学范畴, 并认为译者风格研究主要借鉴作者判定 (authorship attribution) 或计量风格学 (stylometry) 的理念和方法。但此种方法重点关注局部语言特征统计, 而非总体翻译风格 (:79) 。因此, 语料库译者风格 (translator’s style) 研究更多是一种静态的、局部的语言风格特征描写, 并探究风格形成与内外部因素之间的因果关系。语料库翻译学研究主张基于海量文本组成的大规模语料库开展翻译研究, 要求数据规模大。这与目前大数据时代所主张的研究理念有相似之处。 舍恩伯格在《大数据时代》一书的开篇中提到, “大数据正在改变我们的生活以及理解世界的方式” (2013:1) 。大数据时代带来了研究理念、思维方式和研究范式的革命性转变, 同时也催生了文本数据挖掘、处理的新工具和复杂定量统计的新方法。“用复杂计量的方法研究翻译既是大数据时代的需求, 也是大数据时代的产物” (:81) 。同为语言特征和语言规律探究的计量语言学, 其自身的语言观、研究理念和研究范式, 也为语料库译者风格研究理念的拓展提供了借鉴。计量语言学以精确的计量方法研究真实语料, 已成为语言研究科学化的必要途径和有效手段 (:179) 。鉴于此, 语料库译者风格研究应紧随大数据时代研究理念和思维方式的变化, 引入文本数据挖掘以及计量语言学、计量风格学和计算语言学等相邻学科的研究方法和内容, 以解决自身面临的技术瓶颈, 也可开辟新的研究方向和研究领域。 2.1 大数据时代的研究新理念大数据时代具有数据体量 (volume) 大、类型 (variety) 多样和处理速度 (velocity) 快的“3V”特征 () 。海量的数据规模首先带来的是重“系统性”、“整体性”的研究思维和理念。大数据的研究把庞大的数据集合视为一个整体, 把提取的各类数据信息看成一个复杂的系统, 探求各个数据特征之间动态的互动关系和相关性。大数据驱动的数据密集型研究已经成为科学研究的第四范式 (Hey et al. 2012:x) , 并已从传统逻辑推理研究的因果关系找寻转变为对大规模数据的比较、聚类和分类, 进而发现看似不相关变量之间的相关性 (:91) 。大数据时代, 随着数据处理技术和管理能力的提升, 使基于整体和全部数据模式的整体样本考察成为可能, 实现了科学研究从局部随机样本考察到全部数据提取考察的转变。对信息和研究对象的“数据化”则是大数据研究的典型特征, 它使人们从可视的量化维度感知研究对象, 方法更科学, 结果更精确。大数据研究的规模之大, 以及其挖掘数据总体特征和探究各个数据特征之间相关性规律的研究思路, 为我们带来了“系统性”“整体性”和“相关性”的研究新理念和新思维 (如图1所示) 。 图1. 理念、思维转变示意 2.2 计量语言学的语言观与本体语言学及任何其他语言学的分支一样, 计量语言学也以探索语言规律为目标。但它却拥有其自身不同的语言观、研究方法和范式。计量语言学的语言观认为, 语言本身是一个复杂、动态的自适应系统。受外部环境影响, 语言系统内部的各个组分会通过自组织过程而协调互动, 以适应环境。语言作为一套可供作者/译者选择的资源, 对其特定词汇或句法的选择可能意味着某种身份、价值和态度的构建 (: 113) 。然而, 过去很多研究把语言看成了静态系统 (:75) 。因此, 计量语言学“不同于一般的采用代数、集合、逻辑等方法对语言的结构特征进行 (静态) 定性描述的形式 (代数) 语言学, 也不同于通过语料库来研究语言结构与运用的语料库语言学, 计量语言学关注的是语言的定量特征以及这些特征之间动态的协同关系” (:181) 。因此, 它具有“精确”和“动态”的特点, 探究和描写的是语言系统动态的自适应机制和演化规律。这与传统语料库译者风格研究中静态的语言特征描写和因果关系探究, 形成了鲜明的对比。2.3 语料库译者风格研究的新理念思维的转变和理念的拓展是推动事物发展变化的关键。因此, 大数据时代的语料库译者风格研究应与时俱进, 借鉴大数据的研究理念和计量语言学的语言观, 不断丰富研究内涵, 拓展研究内容。 2.3.1 相关性研究的理念语料库翻译学的译者风格研究通过语料分析和定量统计, 描写翻译文本或翻译过程的规律性语言特征, 并探究和解释其背后的成因。因此, 它很大程度上属于理性主义研究所追求的因果关系研究。而大数据和计量语言学的研究则是探求不同数据特征之间互动、协同和相互影响的“相关关系”。尽管“相关关系”中蕴含着“因果关系”, 但却分别代表着不同的思维模式。传统语料库翻译研究中的“因果关系”研究是“线性思维”的体现, 而并非“相关关系”研究的“系统思维”。既然对相关关系的探索已经包含了因果, 我们就不一定再去探究单一的因果关系了 (:78) 。大数据时代是一个系统思维的时代, 更是通过海量数据探求事物之间相互或相关关系的时代。比如,对汉语的词汇长度与其在语篇中使用频数之间的相关关系进行了计量语言学研究, 发现两者之间存在明显的依存和反比关系。作为“第三语码”的汉语翻译语言, 是否与汉语原创语言一样, 也体现出这样的语言特征关系?Kubát & Cech (2016) 通过不同体裁文本的大规模语料库, 考察了文本计量文体特征 (stylometric features) 主题集中度与词汇丰富性之间的关系。在语料库翻译研究中, 引入相关关系研究, 既是研究理念的革新, 也是研究内容的拓展, 有益于我们对译者风格和翻译过程的深层次认知。:80) 认为, 译者风格研究可扩大至源语言或文本中某一语言特征在不同译作中呈现的规律性研究。这也正是对源文本语言特征与译作语言风格特征协同、互动的相关关系研究。因此, 大数据时代语料库译者风格研究应尝试从译本语言风格特征形成的因果关系探究, 转向翻译语言内部各个定量特征、源语与译语之间的语言特征以及翻译语言特征与外部社会文化因素之间互动协同的“相关关系”研究。2.3.2 重整体的研究理念大数据时代的数据信息分析方式和理念与传统的数据处理有着本质区别。传统的数据分析往往提取一个规模很小的、局部的数据集合。然而, 大数据时代的数据分析是对整个大规模、海量的数据信息进行整体存储和管理分析, 并对事物发展的趋势进行预测。所以, “重整体”是大数据时代的研究理念之一。现有语料库译者风格研究大多满足于对局部译者风格具体表象的描述, 未对译者风格进行整体上的归纳 (:16) 。译者在翻译中的局部风格并不等同于其整体或总体风格, 两者会有较大差异。因此, 译者风格研究应吸纳大数据时代重整体的理念, 从局部风格研究转向对译者整体风格的考察。这样有利于我们更准确地理解和把握译者风格。2.3.3 动态研究的理念计量语言学将语言视为由人驱动的复杂自适应系统, 认为语言系统具有一套自我调节机制, 以维持其系统的平衡 (:75) 。作为“第三语码”的翻译语言, 尽管有其不同于原创语言的共性特征, 但也属自然语言, 当然也是一个动态复杂的自适应系统 (:21) 。因此, 我们可吸纳系统、动态的研究理念开展译者风格研究。反观当下的语料库译者风格研究, 更多是一种静态的描写翻译研究, 把语言看成了静态系统。然而, 把语言系统视为动态还是静态, 其研究思路有着本质差异。系统和动态的思想理念就在于促使我们依事物的功能、事物之间的联系和相关性去思考问题 (:33) 。计量语言学将语言的演化和协同纳入其研究视野, 从而使其对语言的发展和变化具有了很宽广的考察视野和强大的解释力。语料库翻译学研究应该与计量语言学交叉, 借鉴其复杂、系统和动态自适应的语言观, 尝试从传统的静态描写研究转向对翻译语言特征在词汇、句法、语篇和语义层面的协同、互动以及演化规律的动态、精确的描写研究。3. 语料库译者风格研究的计量方法拓展限于国内语料库翻译学研究者自身文本加工处理、数据挖掘和定量统计等跨学科知识的先天不足, 语料库翻译学研究在技术层面上的“瓶颈”逐渐凸显, 已出现后继乏力的端倪。随着大数据时代的到来, 人类在自然语言处理领域一路高歌猛进, 取得了很大的进展。对大规模海量文本信息的加工处理以及基于文本数据挖掘的精确计量, 既是大数据时代对技术的呼唤, 也是大数据和语言计量研究催生的产物。:40) 认为, 计量研究是一切科学方法的基础, 更是大数据时代语言研究的必要手段。:8) 认为, 当前国内语料库翻译学的翻译风格研究过于注重浅层语言特征的描写, 多维分析的复杂统计方法使用较少。因此, 在语料库译者风格研究中, 借鉴大数据文本数据挖掘、计量语言学和计量风格学领域较为成熟精密的计量与统计方法, 对传统的语料库译者风格研究是一种有益补充, 也是其研究手段和研究方法拓展的方向。在大数据时代的背景下, 语料库翻译学在对翻译文本各类语言特征的研究中, 可采用基于文本数据挖掘、机器学习算法和计量风格学的方法, 对译本进行多变量、多参数的风格计量研究。通过回归分析、降维、聚类、分类等数据挖掘的方法, 可从海量的语言数据中发现翻译文本间更细微的特征差异和计量规律。比如, Ji用降维和聚类的方法考察翻译过程中的文体变异;:231) 用Z-score和Delta文本聚类方法去发现译者“指纹”, 证实译者隐身。此外,:708) 还用聚类分析法, 准确定位了合作翻译的译者在译本中的翻译任务“交接点”。通过将向量空间模型VSM. (vector space model) 与主成分分析PCA. (principal component analysis) 的方法相结合, 考察了机器翻译与人工翻译的句型相似度, 并可用于测算“一本多译”中不同翻译文本的相似度。采用机器学习的信息增益算法考察了不同译本的翻译风格差异。在自然语言处理中, 文本相似度的对比方法更为复杂精密, 能够较为精确地测量文本之间的整体相似度。如编辑距离算法、基于世界知识的算法、混合算法等 (:2) , 既涵盖字符串测量, 又包括句法分析和语义分析等。典型的文本相似度算法有编辑距离、汉明距离、余弦相似度、Dice 系数、欧氏距离、最长公共子串和Jaro-Winkler Distance等算法。此外, 还可从词语集合角度, 如N-gram、Jaccard、Overlap Coefficient等, 研究翻译文本的相似度。随着大数据时代大型语料库的产生, 基于词袋模型 (如VSM.和潜在语义分析等) 、基于神经网络 (word vector、word embeddings 或 distributed representation) 和基于搜索引擎的大数据算法 ( 归一化谷歌距离算法) 也开始广泛应用。这些算法为语料库翻译学的研究手段和研究结果朝着“科学化”和“精确化”的方向发展, 提供了技术支撑。此外, 从翻译文本尤其是文学文本的语义情感研究来看, 基于机器学习的贝叶斯算法、最大熵算法和支持向量机 (support vector machine, SVM.) 的三种情感分析方法 (刘爽、赵景秀, 等 2018:1) , 都可拓展用于研究译者对原文本情感迁移的强度和情感翻译的效度。总体来看, 文本数据挖掘、计量风格学、计算语言学和计量语言学领域的一些成熟算法在国内外语料库语言学和翻译学界尚未发挥大的作用。原因大概是由于多数研究者缺少相应的数理算法应用能力, 无法全面掌握和充分使用这些工具。因此, 语料库翻译学研究的学者应该与时俱进, 不断吸纳和学习相邻学科先进的研究方法和工具, 以推动学科之间的交叉融合, 实现协同发展。只有采用更为科学的计量工具和方法, 才能实现研究手段的科学化和研究结果的可靠性, 体现实证研究追求“精确”的研究理念。 4. 语料库译者风格研究的内容参数拓展语料库翻译研究中非常重要的研究方向就是翻译文体考察或译者风格研究。这些研究总体上都是对翻译语言特征静态、定量的描写和解释, 以丰富人们对翻译语言、翻译本质的认识和对翻译过程的理解。借鉴大数据时代“相关性”的研究理念和计量语言学动态的语言观, 语料库翻译学也可以在探求翻译文本各类语言特征之间协同互动的相关关系方面开展研究。由于语言是一个复杂的自适应系统, 语言的产生和发展是语言系统、社会系统和语言使用者的认知系统三个复杂系统之间互动和适应的结果 (:25;:19) 。作为自然语言的翻译语言, 也应遵循这一规律。因此, 开展这些语言特征之间的互动、协同关系研究具有可靠的理论依据。另外, 借鉴大数据时代“重整体”的理念, 可引领语料库译者风格研究从局部风格转向总体或整体风格的研究。基于新理念, 借鉴文本数据挖掘、计量语言学、计算语言学和计量风格学等相邻学科的研究工具、方法和内容, 可从词汇、句法、语义和语篇层面, 对语料库译者风格和翻译语言特征研究的内容参数进行拓展 (如图2所示) 。  图2. 语料库译者风格研究的内容参数拓展 传统的语料库译者风格研究所考察的词汇层面的参数主要包括词类频次、词性分布比例、词汇密度、基于类符/型符比的词汇丰富度、高频词、缩略词、文化特有词以及其它独特词项等。对于词汇层面考察的参数, 可尝试从以下三个方面拓展。第一, 从计量风格学和计量语言学等相邻学科引入新的参数概念和方法。参照:62) 的研究, 语料库翻译学可借鉴计量风格学的词序-频率分布 (rank-frequency distribution) 、熵值 (entropy) 、移动平均类符/型符比 (moving-average type-token ration) 、重复率 (repeat rate) 和主题集中度 (thematic concentration) 等考察文学作品风格特征的参数, 考察翻译文本的风格。其中熵值也是计量语言学用于考察文本语言复杂度和词汇丰富度常用的参数概念。这些参数特征依靠数学中相对复杂的计量和计算方法获取, 既可提高语料库翻译学研究的科学性和客观性, 也拓展了其研究内容。第二, 从静态和线性的因果关系描写转向动态、协同、互动的相关关系描写。借鉴计量语言学的语言观, 语料库译者风格研究可开展词汇层面语言特征的协同、互动和相关关系研究。其中包括翻译文本内部、翻译文本与原文本以及翻译文本与目标语原创文本之间的词汇特征的相关关系研究。动态描写的相关关系研究有助于认知翻译语言内部不同特征之间协同、互动和自适应的机制, 更有助于探寻翻译文本与原文文本之间语言转换规律以及译文与目标语文本的互动规律。第三, 在语料库翻译学的词汇特征研究中也可尝试验证计量语言学研究中关于自然、原创语言特征的词类幂率分布规律在作为“第三语码”的翻译语言中是否具有适用性。这既是对计量语言学研究的补充, 也是对语料库翻译学及译者风格研究的拓展, 有助于我们对翻译共性 (translation universals) 以及翻译语言与原创语言间共性或差异的认知。4.2 句法层面标点符号分布、平均句长、句子结构容量和不同句型翻译方法的对比研究是语料库译者风格研究的传统内容。但仅凭这些参数, 只能开展较浅层次的句法研究。借鉴文本数据挖掘的机器学习算法和计量语言学的研究内容, 句法层面的译者风格研究可在不同翻译文本的句法相似度、句法依存关系和依存距离对比等方面拓展。比如, 首先, 采用机器学习的算法, 对同一原文本多个译本中特殊句型的句法相似度研究, 可对不同译本的翻译句法特征和翻译效度进行对比考察。采用向量空间模型和主成分分析法对《傲慢与偏见》四个人工汉译本与机器译本中英语被动句汉译的相似度进行了计算。这既是对语料库译者风格研究方法的改进, 也是对研究内容的拓展, 值得推广。其次, 开展对翻译文本的依存句法研究。相对于语料库翻译学在句法层面的传统研究, 翻译文本的句法依存研究是深入到不同翻译文本内部, 对句法特征的定量挖掘, 是译者翻译风格和翻译共性研究的重要补充。此外, 还可以对翻译文本与汉语原创语言的依存距离及其分布与汉语原创语言进行对比, 以探求翻译汉语在依存句法上是否偏离原创汉语的“常规”。4.3 语篇、语义层面在传统研究内容之外, 借用文本数据挖掘中的机器学习算法, 译者风格研究在语篇和语义层面可开展翻译文本相似度、译者身份识别判定和基于情感计算的翻译文本情感迁移及情感效度研究。首先, 开展翻译文本的相似度计算和译者身份识别判定。通过机器学习的算法, 对同一原文不同译文的相似度进行计算对比, 借助语言计量特征进行译者身份的识别判定以及译者风格的辨别 (詹菊红、) 。这类研究是对译者风格研究在方法、内容上的拓展和补充, 值得推广并深入探索。其次, 开展基于情感计算的翻译文本情感迁移、译者的情感“指纹”和译本的情感效度研究。文学作品是情感的流淌, 情感是文学的灵魂。因此, 在文学翻译中, 忠实和等效地传递和迁移原作的情感, 实现译作和原作情感强度和效度最大限度的吻合, 应该是原作者的渴望、译者的追求和译文读者的期待。不同的译者对同一原文的情感传递自有差异, 这些差异也许就是译者留在译文中的情感“指纹” (:55) , 也应作为从情感语义角度考察译者风格的重要参数之一。尽管在文学作品的翻译研究中, 国内学者开展了相关研究, 但大多是基于个人主观感受和审美的定性研究 (:56) , 定量研究严重不足, 研究结论缺乏客观性。近年来, 随着文本数据挖掘和自然语言处理技术的发展, 对文本进行情感分析和计算成为研究热点 (刘爽、赵景秀, 等 2018:1) 。是目前国内为数不多的采用情感计算方法, 对比考察原作和译作情感词汇语篇分布、情感流动模式和译者情感“指纹”的两位研究者。通过对原文和译文的情感计算, 可对比不同译文之间以及译文与原文之间情感强度的变化、情感迁移的趋势以及情感翻译效度与原文的吻合度。这些研究是从语篇的情感语义层面, 对翻译风格、译者风格、翻译过程和翻译质量评估研究的拓展和延伸, 应引起语料库译者风格研究的重视。因此, 将情感计算引入译者风格研究, 可改变目前翻译作品情感研究中定量不足, 客观性、科学性和精确性不够的局面。当然, 除以上研究范围之外, 语料库译者风格研究还应该向更为广阔的社会、文化、政治等参数拓展 (:80) 。因为语料库翻译学研究的内容之一就是要通过定量与定性研究的结合, 助推理论翻译学的建构。将计量数据与社会、语言、文化及政治等参数结合, 对数据进行意义建构则是推动翻译理论发展的关键, 也是定量研究的意义之所在。5 结语综上所述, 语料库翻译学应顺势而为, 吸纳大数据时代“系统”“整体”“相关性”的思维理念, 借鉴计量语言学的语言观, 从静态的风格描写转向翻译文本语言特征之间以及原文本与译文风格特征之间动态的互动协同规律研究, 从局部风格考察转向整体风格研究。同时, 语料库译者风格研究还应借鉴文本数据挖掘、计量语言学、计算语言学和计量风格学等相邻学科的算法、复杂定量统计方法, 可综合采用回归分析、降维、聚类、分类等数据挖掘的方法和机器学习的信息增益算法, 考察译者“指纹”和多译本的翻译风格;也可通过向量空间模型、主成分分析、余弦相似度和编辑距离等算法对相同原文的多译本相似度进行计量研究;在语义情感研究方面, 可采用机器学习的贝叶斯算法和最大熵算法等进行译本情感翻译效度研究。在研究内容的拓展方面, 语料库译者风格研究应从词汇、句法和语篇、语义层面与相邻学科交叉, 引入熵值、重复率、相似度、句法依存、译者情感“指纹”、译本情感效度等参数概念和内容, 同时进行社会、文化参数的拓展, 对计量数据进行意义建构。语料库翻译学只有不断丰富自身研究理念, 提升自身研究手段, 拓展自身研究疆域, 才能实现可持续、深度的跨学科融合发展。 编者按：参考文献略，请参照《外语教学》2019年第2期纸质期刊或者知网下载电子全文。 |
|
|
来自： 昵称16619343 > 《科研、学术文件》
