1. 引言
随着语料库语言学的兴起，语料库建设工作越发受到学界重视。话语研究(discourse studies)是语言学的重要分支，它尤其强调语料的真实性。由自然发生的语言事实所累积的语料库，是开展话语研究的必要资源。研制一个立意独特的语料库，是话语研究的原始创新得以实现的有利条件。但言谈话语的听觉表现形式，无法直接作为研究材料使用，必须转录成书面文字，还要对相关语言特征进行标注。此类语料库的建设过程难度较大，耗时、费力。它是一项比较艰巨的任务，非一日之功。因为有难度，所以国内以日常话语为素材的语料库目前还比较少。近年来，笔者主持建设了一个中型日常话语语料库，本文对此专门介绍。希望该项基础性工作，为汉语日常话语研究的原始创新工作添砖加瓦。
2. “日常话语语料库”简介
“日常话语语料库”(英文名称Corpus of Everyday Discourse，缩略为CED)是河北师范大学2016年立项的人文社会科学基金交叉协同科研项目。CED建设历时四年，其中2016年是筹备阶段，2017~2019年是正式实施阶段。这期间，课题组先后举办了数十场专题研讨会和培训工作坊，对语料库建设中的各种问题，进行了深入、细致的研讨。CED以日常汉语交流为研究对象，近70万字。语料库所有语料，均是自然情境中发生的汉语日常话语交流。
2.1. “日常话语”概念及语料库定位
课题组把“日常话语”定义为“那些聚焦大众话题，且一般没有事先计划的、人际间即兴的语言表达”(付晓丽、荣红、董东、宋文辉，2019 [1])。以此概念冠名的语料库，在搜集语料方面，主导思想是强调语料的“自然”“真实”和“不刻意”“无准备”。
优质的语料库，在内容选择上，应具有代表性和平衡性(郑家恒等，2010 [2])。CED语料选择符合“代表性”的要求。鉴于言语是语言表达的基础媒介(Dash & Arulmozi, 2018 [3])，CED以言语语料库(a speech corpus)为首要建设目标，选择非正式的话语交流。因为非正式的言语交流更可靠、更生动，它们在自然性(naturalness)方面，比正式的口语表达(如演讲)更有代表性，更接近自然语言的核心特征。正如著名的“莫拉维克悖论”(Moravec’s paradox)所描绘的：越是无意识的、直觉的技能，越需要更强的算力。就话语表现而言，越是人们无意识、随便说的话，就越值得研究。这些随意的语言交流，具有其他言语变体无可比拟的优势(Dash & Arulmozi, 2018 [3])，能充分揭示人类语言奥秘。在语料库的平衡性上，课题组顶层设计也有兼顾。允许少量的书面交流的话语文本(如微信聊天)被接受入库，以反映新媒体时代人们日常话语交流的状况。
CED重点采集人际互动话语，话题比较广泛，涉及购物、理发等多个生活场景。话语交流类型比较丰富：既有二人对话，也有三人及以上会话；既有公开的话语交流，也有私密的话语交流；既有以任务为导向的(task-oriented)、目标明确的话语，也有目的不明确、显性任务缺席的日常闲谈。
2.2. 研究方法
CED使用民族志研究范式，结合会话分析理论，对语料进行搜集和整理。在私人语料报送过程中，严格遵守科研伦理规范，参考国际学界(如José & Teixeira, 2013 [4]; Keel, 2016 [5]; Tannen, Kendall & Gordon, 2007 [6])的做法，采用正式的书面授权和非正式的口头同意这两种授权方式。CED中涉及私人话语的部分，均经过语料提供者本人同意。操作流程是先用录音、截屏把自然发生的语言使用记录下来，制成word文档，再进行赋码和标注。word语料文档完成后，再经过多遍复查确定无误，最终定稿入库。以下是具体的做法。
2.3. 数据采集
这个环节包括两项任务：1) 采集话语交流信息；2) 记录并报告话语发生的语境情况。
2.3.1. 采集
CED所搜集的语料，主要有公共话语和私人话语这两类。公共话语的语料相对便于搜集和整理。难度较大的是私人话语的搜集工作。CED采集的语言信息包括三大类，一是言语类，即口头表达的音频文件；二是文字类，即书面表达的视觉信息；三是混合模式，既包含语音类，也包含文字类。这三种情况，课题组采取不同的方式来处理。
为CED直接贡献语料的人，被称作语料库文本语料会话人。CED对语料真实性尤其重视，要求贡献者报告现实生活中真实发生的话语，不得转录影视剧节目的话语，也不得编造、虚构话语。音频语料的录音工作在2017~2019年间。私人话语部分，报送语料者都是土生土长的中国人。会话人被要求尽可能地说普通话，如有微量方言土语，也照常收录。需要说明的是，有一些报料人不仅复杂报料，还负责转写。这种情况下，转写者是“内部人”(insiders)，对话语发生的语境情况清楚，对当时的谈话内容了解，能高质量地完成转录文本工作。这种做法虽然涉及“观察者悖论”问题，但由于报料人提前经过培训被告知：所采集的语料就是他们的日常话语，他们平时怎么说话，被录音时就还怎么说话，越自然、越随意越好，事实上“观察者悖论”对CED语料采集的真实性没产生什么影响。据多位报料人反映，在录音开始时，他们还有一点紧张，但随着话语交流的展开，他们便忘了自己说话“被录音”这件事，很快进入到自然的话语交谈状态中。
语料库建设涉及诸多细节问题：其一是个人数据隐匿。个人数据是个人数据保护法中的核心概念，其界定的关键是可识别特定自然人的数据，包括直接识别与间接识别(王融，2016 [7])。数据隐私(data privacy)和去识别化(de-identification)都是语料库建设的重要环节。CED把真实的人名及敏感信息(如住址)都进行隐藏处理；其二是数字的转录。尽量使用文字而非数字来表示。比如口头说的“1972”，语料库文档会呈现为“一九七二”，而非数字“1972”；其三是表情符的处理。先把表情符分为两类：一种是意义清楚明确的，另一种是意义模糊的。对意义明确的表情符(如高兴)如实转录，用括号文字加注的方式标注；对意义不清的表情符则忽略不计。
2.3.2. 会话日志记录
私人话语的语料采集完成后，报料人要对所采集的语料进行简要描述，撰写会话日志(conversation log)，讲明话语发生的语境情况。实验研究后，课题组发现报告行文有差异。于是课题组提供AB两种方式，供报送者自由选用。
方式A：填充信息，即以填空的形式，报告语境情况。不确定的信息，就不填。例如：
1) 话语发生时间：______
2) 发生地点：______
3) 参与人数：______
4) 参与者人际关系：______
5) 参与者年龄：_______
6) 传播方式：______
7) 言语事件：______
方式B：自由撰写，即以文字形式，对语境情况进行详细说明。例如：
“2018年6月8日，我想买一双鞋，我闺蜜陪我去逛商场。我看中了某品牌的一款样式，想着试一试鞋子。这个录音就是当时我、我闺蜜、售货员这三个人所说的话。”
2.4. 转录及标注
Table 1. CED transcription scheme
表1. CED转写规范
| 类别 |
符号 |
意义 |
例子 |
| 语言特征标注(注：凭转写者的直觉来判断) |
， |
表示一个意群的停顿，言说者还未完成完整意义的表述，一般为平调或者轻微的升调 |
甲：今天的主要任务，其实很简单 |
| 。 |
表示言说者完成一个完整意义的表述，一般为降调 |
甲：今天的主要任务，其实很简单，就是复查语料。 |
| ？ |
表示言说者的疑问，一般为升调 |
甲：你今天有课吗？乙：没课 |
| ！ |
表示言说者的强烈情绪 |
甲：九点了，你还来吗？乙：我不去了甲：你可真行！ |
| [][22] |
表示两个或两个以上的人同时说话时的重叠[ 表示重叠起点] 表示重叠终点[2 表示同一语轮中的第二次重叠的起点2] 表示同一语轮中的第二次重叠的终点 |
甲：[他们学乙：我跟你讲]他们比咱们[2紧张甲： 是啊2] |
| ： ：： ：：： |
表示某个音节的延长，每增加一个冒号，就表示多延长一拍(注：重读音节，要尽可能地按照这种方式去标注。) |
你们谁去：：：那个：：邮电局不去。 |
| - |
表示言说者所做的短暂停顿，多为自我修补 |
中国的儿童是比外-美国的儿童聪明呀 |
| ^ |
表示打断对方，突然插话 |
甲：我想是乙：^你别你想，你就说，你做了什么？甲：哦，我直接去了她家 |
| == |
表示一方刚说完，另一方就紧接着说 |
甲：我就没想=乙：=你没想，你干嘛不想！ |
| (……) |
表示无法辨识的话语 |
都是母亲在(……) |
续表
|
(文本) |
表示貌似某种话语表达，即听起来像是这样的话 |
那么在美国(的话)那些孩子吧：：：是华裔美国华裔美国人 |
| 〈字〉 |
表示勘误，以防误解 |
她带〈待〉几天 |
| (E文本) |
表示各种表情符号 |
收到(E微笑) |
| (EP文本) |
表情包 |
收到了，(EP谢谢) |
| (短默) |
表示较长时间的沉默 |
甲：你觉得怎么样？乙：(短默)也就那样 |
| (长默) |
表示较短时间的沉默 |
甲：你觉得他好吗？乙：(长默)怎么说呢？ |
文本〈转
(具体语种)〉 |
表示语码转换为其他语言(注：仅在词语后面标注) |
1) 这款式，你hold 〈转英〉 住吗？2) 饿了，咱们去米西米西 〈转日〉3) 你问moi 〈转法〉 啊？ |
| 〈方省/市〉 文本〈方省/市〉 |
表示普通话里面出现方言(注：允许笼统判断区域) |
我就想知道， 〈方四川〉 吃啥子不得长肥 〈方四川〉 ？ |
| @@ |
表示笑 |
你来啦@@ |
| @文本@ |
表示话中带笑，即笑着说 |
我@一直这个样啊@ |
| 其他行为/事件标注 〈 〉 |
〈鼓掌〉 |
表示鼓掌 |
现在欢迎王主任讲话〈鼓掌〉 |
| 〈发网址〉 |
表示会话人发了网址 |
甲：你把网址给我吧。乙：〈发网址〉发过去了。甲：看到了，谢谢。 |
| 〈发图片〉 |
表示会话人发了图片 |
甲：给你看看我家新开的海棠花。乙：好啊。甲：〈发图片〉乙：好漂亮！ |
| 〈发语音〉 |
表示会话人发了语音 |
甲：给你看看我家新开的海棠花。乙：好啊。甲：〈发语音〉你看看！乙：好漂亮！ |
〈其他具体
行为/情况〉 |
表示会话人的其它行为或其它语境线索 |
甲：我给你留个电话号码乙：嗯，好〈甲在纸上写电话号码〉甲：给乙：太谢谢啦 |
| 甲：就这样吧乙：好的〈大约三分钟后，二人又开始交谈〉甲：唉，我说，你那本书买了吗？乙：哪本书？ |
这方面的具体做法是，语料转录人两人一组，交替工作，相互检查。在音频录制完成后，先用科大讯飞软件对音频素材先做简单转录，再经过多遍细听，对文本内容进行修订。完成转录后，再对语料文本进行附加标注。这期间有多轮复查工作。课题组对照学界影响较大的口语语料库(如Santa Barbara Corpus of Spoken American English; English as Lingua Franca of Academic Discourse)的转写规范，并借鉴Atkinson & Heritage (1984 [8])、Jefferson (2004 [9])、刘虹(2004 [10])的标注方法，本着“简洁”“实用”的原则，研发了适合CED语料特点的转写方案。详见表1。
为保证语料库标注质量，采用双重标注的方法。第一重标注由语料转写者及语料文档的复查人完成；第二重标注由课题组经验丰富的教师来确定。CED标注的IAA (inter annotator agreement)指数高于90%，符合相关要求(如Palmer, Gildea & Kingsbury, 2005 [11])。
2.5. 语料库的构成
CED语料库涵盖“公共话语”和“私人话语”两大类话语别。公共话语都是电话形式的交流，包括“情感咨询”和“事务咨询”两个子类别；私人话语包括“学生话语”和“亲子话语”两个子类别。详细情况请见表2：
Table 2. The composition of CED
表2. CED构成
| 类别 |
篇数 |
字数(千) |
| 公共话语 |
情感咨询 |
郑州新闻广播：《今夜不寂寞》 |
100 |
258 |
| 辽宁经济广播：《心有千千结》 |
| 济南新闻广播：《金山夜话》 |
| 网络电台：《峰人学院》 |
| 事务咨询 |
河北交通广播：992大家帮 |
52 |
72 |
| 私人话语 |
学生话语 |
研究生面对面闲谈 |
115 |
155 |
| 研究生微信互动 |
84 |
45 |
| 本科生交流 |
22 |
26 |
| 亲子话语 |
母亲与孩童交流 |
157 |
135 |
| 总计 |
|
|
530 |
691 |
需要说明的是，字数总计是保守的数据统计。语料库的实际体量，要大于这个数值。CED语料的选择有独特之处：“情感节目话语”既是日常话语，又是机构话语，篇幅较长，话语结构复杂，叙事视角不断转换，引人入胜；“992话语”是生活中常见的咨询话语，话语参与者多、话轮短、话语重叠度高；亲子话语的主要参与方是年轻母亲与未成年孩童，孩童的年龄从两岁到十一岁不等。
3. 结语
汉语口语研究，宛如一个富矿，吸引着越来越多的国内外学者去挖掘、探索和发现。CED近年被我校师生使用，已产出本科生优秀毕业论文、硕士学位论文及原创研究多项(如杨换丽，2019 [12]；谷伟明，2021 [13]；张丽媛，2024 [14])。CED内的语料是自然的语言使用，是发生在我们身边的、最真实的汉语日常表达。在这些真实的语言使用中，有话语中断、倾听者反馈、重叠话语、错误开始、自我纠正、停顿、不连贯等，这些看似“坏的语法”(bad grammar)的语言现象，却是口语语法的鲜明特征。通过仔细观察并记录这些非常规信息，研究人员对口语语言使用的洞察力，会得到大幅提升(Norrick, 2000 [15])。CED所承载的是鲜活的语言使用的事实情况，希望它的建成，为蒸蒸日上的汉语话语研究提供新的素材和视角。
基金项目
本文为河北师范大学人文社会科学基金交叉协同科研项目(S2016JC06)的相关成果。