The development of corpus linguis4cs in Chinese context - - PowerPoint PPT Presentation

The ¡development ¡of ¡corpus ¡ linguis4cs ¡in ¡Chinese ¡context ¡

¡ Richard ¡Xiao ¡

An ¡overview ¡

• Taking ¡a ¡historical ¡approach ¡to ¡the ¡development ¡of ¡

CCL, ¡where ¡appropriate ¡in ¡contrast ¡to ¡ECL ¡

• Highligh>ng ¡the ¡key ¡points ¡and ¡unique ¡challenges ¡in ¡the ¡

development ¡

• Iden>fying ¡possible ¡fruiDul ¡avenues ¡of ¡development ¡

where ¡ECL ¡and ¡CCL ¡can ¡inform ¡and ¡learn ¡from ¡each ¡other ¡

• Three ¡areas ¡of ¡research ¡deeply ¡influenced ¡by ¡corpora ¡

– Lexicography ¡ – Descrip>ve ¡grammars ¡ – Interlanguage ¡analysis ¡

2 ¡

Corpus ¡revolu>on ¡in ¡lexicography ¡

• Earlier ¡corpus-­‑informed ¡lexicographic ¡studies ¡ ¡

– Thorndike’s ¡(1921) ¡The ¡Teacher’s ¡Word ¡Book ¡ – The ¡1st ¡edi>on ¡of ¡American ¡Heritage ¡Dic6onary ¡(1969) ¡

• Real ¡star>ng ¡point ¡of ¡corpus-­‑based ¡lexicography: ¡Sinclair’s ¡

COBUILD ¡in ¡1980 ¡

– Providing ¡data, ¡ideas ¡and ¡analyses ¡for ¡Collins, ¡to ¡help ¡them ¡develop ¡a ¡ new ¡corpus-­‑based ¡dic>onary ¡(the ¡Collins ¡COBUILD ¡dic>onary, ¡1987) ¡

• Frequency, ¡colloca>on, ¡authen>c ¡illustra>ve ¡examples, ¡and ¡

contextual ¡and ¡genre ¡varia>on ¡are ¡all ¡forms ¡of ¡data ¡which ¡now ¡ commonly ¡appear ¡in ¡corpus-­‑based ¡dic>onaries ¡

– Longman ¡Dic6onary ¡of ¡Contemporary ¡English ¡(LDOCE, ¡3rd ¡edi>on) ¡ – Oxford ¡Advanced ¡Learner’s ¡Dic6onary ¡(OALD, ¡5th ¡edi>on) ¡ – Cambridge ¡Interna6onal ¡Dic6onary ¡of ¡English ¡ – Macmillan ¡English ¡Dic6onary ¡

3 ¡

Corpora ¡in ¡Chinese ¡lexicography ¡

• The ¡first ¡study ¡of ¡Chinese ¡character ¡frequency ¡in ¡a ¡

modern ¡sense ¡dated ¡back ¡as ¡early ¡as ¡the ¡1920s ¡

– Li ¡Jinxi ¡(1922): ¡‘Sta>s>cal ¡study ¡of ¡basic ¡vocabulary ¡in ¡ Chinese’ ¡

• Chen ¡Heqin ¡(1922, ¡1928) ¡The ¡Applied ¡Glossary ¡of ¡

Modern ¡Chinese ¡(《语体文应用字汇》) ¡

– A ¡paper-­‑based ¡corpus ¡of ¡diverse ¡sources ¡amoun>ng ¡to ¡ well ¡over ¡0.5 ¡M ¡Chinese ¡characters ¡ – Taking ¡Chen ¡and ¡9 ¡assistants ¡nearly ¡3 ¡years ¡ – A ¡list ¡of ¡4,261 ¡most ¡frequently ¡and ¡widely ¡used ¡Chinese ¡ characters ¡ – Later ¡revised ¡and ¡republished ¡as ¡the ¡booklet ¡by ¡the ¡ Commercial ¡Press ¡in ¡1928 ¡

4 ¡

Corpora ¡in ¡Chinese ¡lexicography ¡

• Chen’s ¡(1922, ¡1928) ¡frequency ¡list ¡of ¡Chinese ¡

characters ¡was ¡influenced ¡by ¡Thorndike’s ¡(1921) ¡ English ¡word ¡list ¡

• But ¡the ¡contribu>on ¡of ¡Chen’s ¡list ¡to ¡Chinese ¡is ¡

more ¡significant ¡than ¡the ¡contribu>on ¡of ¡ Thorndike’s ¡(1921) ¡list ¡to ¡English ¡because ¡the ¡ former ¡has ¡not ¡only ¡contributed ¡to ¡primary ¡ educa>on ¡and ¡the ¡promo>on ¡of ¡literacy ¡in ¡China, ¡ it ¡has ¡also ¡helped ¡to ¡shape ¡present-­‑day ¡Chinese. ¡

– Phone>c ¡language ¡vs. ¡script ¡language ¡ – Timeliness ¡of ¡Chen’s ¡character ¡list ¡

5 ¡

Corpora ¡in ¡Chinese ¡lexicography ¡

• Chen’s ¡list ¡is ¡the ¡forerunner ¡of ¡today’s ¡word ¡frequency ¡lists ¡and ¡

frequency ¡dic>onaries ¡of ¡Chinese ¡derived ¡from ¡computer ¡corpora ¡

• Since ¡the ¡founding ¡of ¡P. ¡R. ¡China, ¡the ¡central ¡government ¡and ¡local ¡

authori>es ¡have ¡also ¡published ¡a ¡range ¡of ¡lists ¡of ¡Chinese ¡words ¡ and ¡characters ¡

– Register ¡of ¡Common ¡Characters ¡(MoE ¡1950): ¡1,017 ¡characters ¡ – List ¡of ¡Common ¡Characters ¡(MoE ¡1952): ¡2,000 ¡characters ¡ – List ¡of ¡Common ¡Characters ¡in ¡Putonghua ¡Common ¡Speech ¡(Shandong ¡ Provincial ¡Commission ¡of ¡Educa>on ¡1958): ¡3,000 ¡characters ¡ – Three ¡Thousand ¡Common ¡Words ¡in ¡Putonghua ¡Common ¡Speech ¡ (Commicee ¡of ¡Language ¡Reform ¡1962) ¡ – A ¡List ¡of ¡Four ¡Thousand ¡Words ¡for ¡Foreign ¡Students ¡(BLCU ¡1964) ¡ – List ¡of ¡Common ¡Used ¡Characters ¡(Beijing ¡Municipality ¡Commission ¡of ¡ Educa>on ¡ ¡1965): ¡3,100 ¡characters ¡

6 ¡

Corpora ¡in ¡Chinese ¡lexicography ¡

• With ¡the ¡rapid ¡development ¡of ¡corpus ¡linguis>cs ¡in ¡general ¡and ¡

Chinese ¡language ¡processing ¡in ¡par>cular, ¡the ¡long ¡standing ¡ tradi>on ¡of ¡studying ¡word ¡and ¡character ¡frequency ¡in ¡Chinese ¡ linguis>cs ¡has ¡been ¡con>nued ¡into ¡the ¡new ¡millennium ¡

– Liu ¡(1973): ¡Frequency ¡Dic6onary ¡of ¡Chinese ¡Words ¡ – Project ¡Code ¡748 ¡(1976): ¡A ¡Comprehensive ¡Frequency ¡Table ¡of ¡ Character ¡Usage ¡in ¡ ¡Modern ¡Chinese ¡ ¡ – Beihang ¡University ¡(1985): ¡A ¡Frequency ¡Table ¡of ¡Character ¡Usage ¡in ¡ Modern ¡Chinese ¡ – BLCU ¡(1986): ¡A ¡Frequency ¡Dic6onary ¡of ¡Modern ¡Chinese ¡ – Na>onal ¡Language ¡Commicee ¡(1988): ¡Commonly ¡Used ¡Characters ¡in ¡ Modern ¡Chinese ¡ ¡ – Hong ¡Kong ¡Polytechnic ¡University ¡(1991-­‑1997): ¡A ¡Chinese ¡Word ¡Bank ¡ from ¡Mainland ¡China, ¡Taiwan, ¡and ¡Hong ¡Kong ¡ – HSK ¡Commicee ¡(1992, ¡2001): ¡The ¡HSK ¡Lexical ¡Syllabus ¡ – Xiao, ¡Rayson ¡and ¡McEnery ¡(2009): ¡A ¡Frequency ¡Dic6onary ¡of ¡Mandarin ¡ Chinese ¡

7 ¡

Roles ¡of ¡corpora ¡in ¡compiling ¡ ¡ New ¡Word ¡Dic6onary ¡for ¡Chinese ¡as ¡a ¡Foreign ¡Language ¡(Cui ¡2011: ¡85) ¡

8 ¡

Corpora ¡in ¡Chinese ¡lexicography ¡

• The ¡study ¡of ¡neologism ¡is ¡an ¡important ¡area ¡of ¡lexicography ¡which ¡

can ¡benefit ¡greatly ¡from ¡the ¡corpus ¡approach ¡

– Corpora ¡can ¡provide ¡the ¡necessary ¡sources ¡of ¡data ¡as ¡well ¡as ¡the ¡ method ¡for ¡reasonably ¡iden>fying ¡new ¡words ¡or ¡new ¡meaning ¡/ ¡usage ¡

• f ¡exis>ng ¡words ¡
• A ¡Dic6onary ¡of ¡New ¡Words ¡in ¡Modern ¡Chinese ¡(Kang ¡2003) ¡

– 20,000 ¡new ¡words ¡that ¡have ¡gained ¡currency ¡and ¡remained ¡rela>vely ¡ stable ¡in ¡1978 ¡-­‑2000 ¡ – Based ¡on ¡a ¡huge ¡corpus ¡composed ¡of ¡ ¡over ¡25 ¡years’ ¡archive ¡data ¡of ¡ some ¡major ¡newspapers ¡and ¡magazines ¡

• The ¡Global ¡Dic6onary ¡on ¡Chinese ¡Neologism ¡(Tsou ¡& ¡You ¡2010) ¡

– 1,600 ¡Chinese ¡neologisms ¡that ¡have ¡entered ¡the ¡Chinese ¡language ¡ since ¡2000 ¡ – Based ¡on ¡400-­‑M ¡character ¡LIVAC ¡corpus ¡specifically ¡designed ¡to ¡ monitor ¡language ¡development ¡in ¡Chinese ¡speech ¡communi>es ¡

9 ¡

Corpora ¡in ¡Chinese ¡lexicography ¡

• Parallel ¡corpora ¡in ¡bilingual ¡lexicography ¡
• Defini>on ¡usually ¡in ¡the ¡target ¡language ¡
• Only ¡par>ally ¡equivalent ¡to ¡the ¡headword ¡ ¡
• An ¡abstract ¡generalisa>on ¡of ¡the ¡typical ¡meanings ¡
• f ¡the ¡word, ¡hard ¡to ¡cover ¡all ¡of ¡its ¡meanings ¡fully ¡
• Bilingual ¡examples ¡cited ¡from ¡parallel ¡corpora ¡

can ¡complement ¡missing ¡meanings ¡

10 ¡

Corpora ¡in ¡Chinese ¡lexicography ¡

• Specialised ¡bilingual ¡dic>onaries: ¡the ¡defini>on ¡and ¡

transla>on ¡of ¡the ¡domain-­‑specific ¡special ¡usage ¡of ¡

• rdinary ¡words ¡in ¡par>cular ¡domains ¡

– E.g. ¡in ¡business ¡domain, ¡the ¡concept ¡of ¡表 ¡‘table, ¡form’ ¡is ¡ conven>onally ¡expressed ¡as ¡‘statement’ ¡instead ¡of ¡‘table, ¡ form’: ¡‘financial ¡statement’ ¡(财务报表), ¡and ¡‘statement ¡of ¡ income ¡and ¡expenses’ ¡(财务收益与费用表) ¡

• Such ¡issues ¡readily ¡addressed ¡with ¡the ¡help ¡of ¡parallel ¡

and ¡comparable ¡corpora ¡of ¡the ¡languages ¡involved ¡

• Specialised ¡corpora ¡are ¡recognised ¡as ¡ideal ¡linguis>c ¡

and ¡knowledge ¡resources ¡in ¡lexicography ¡

— Corpus-­‑based ¡specialised ¡dic>onaries ¡can ¡ensure ¡a ¡ systema>c ¡coverage ¡of ¡useful ¡headwords ¡of ¡prac>cal ¡ value, ¡accurate ¡defini>ons, ¡and ¡appropriate ¡authen>c ¡ examples ¡

11 ¡

ECL ¡vs. ¡CCL ¡in ¡lexicography ¡

• The ¡use ¡of ¡corpora ¡in ¡Chinese ¡lexicography ¡

dated ¡back ¡as ¡early ¡as ¡in ¡English ¡lexicography ¡ ¡

– Importance ¡of ¡defining ¡basic ¡Chinese ¡characters ¡ and ¡words ¡from ¡a ¡huge ¡lexicon ¡ ¡

• Challenges ¡not ¡encountered ¡in ¡ECL ¡

– ‘word ¡segmenta>on’ ¡or ¡‘tokenisa>on’, ¡usually ¡ requiring ¡complex ¡computer ¡processing ¡ ¡ – Lack ¡of ¡strict ¡correspondence ¡between ¡word ¡ classes ¡and ¡syntac>c ¡func>ons ¡

12 ¡

ECL ¡vs. ¡CCL ¡in ¡lexicography ¡

• Common ¡issues ¡to ¡be ¡solved ¡in ¡corpus-­‑based ¡lexicography ¡

for ¡both ¡English ¡and ¡Chinese ¡

• Balance ¡and ¡representa>veness ¡of ¡corpora ¡

– Usually ¡very ¡large ¡(BoE, ¡LIVAC, ¡Gigaword ¡English, ¡Gigaword ¡ Chinese) ¡ – Licle ¡or ¡no ¡spoken ¡data ¡ – Too ¡much ¡dependence ¡on ¡newspaper ¡or ¡newswire ¡text ¡ – A ¡>me ¡lag ¡of ¡the ¡corpus ¡data ¡behind ¡the ¡actual ¡language ¡change ¡

• Accuracy ¡of ¡corpus ¡annota>on ¡

– Seman>c ¡annota>on ¡or ¡WSD, ¡including ¡word ¡senses ¡belonging ¡ to ¡the ¡same ¡word ¡class ¡

• A ¡range ¡of ¡learner ¡dic>onaries ¡have ¡been ¡published ¡for ¡

both ¡English ¡and ¡Chinese ¡as ¡the ¡two ¡most ¡populous ¡ languages ¡in ¡the ¡world ¡

13 ¡

ECL ¡vs. ¡CCL ¡in ¡lexicography ¡

• Corpus-­‑based ¡English ¡lexicography ¡appears ¡to ¡have ¡

been ¡confined ¡largely ¡to ¡monolingual ¡English ¡corpora ¡

– A ¡consequence ¡of ¡English ¡monolingualism? ¡

• In ¡contrast, ¡CCL ¡has ¡helped ¡to ¡create ¡both ¡monolingual ¡

Chinese ¡dic>onaries ¡as ¡well ¡as ¡a ¡range ¡of ¡bilingual ¡ dic>onaries ¡of ¡Chinese ¡with ¡a ¡foreign ¡language ¡like ¡ English, ¡French, ¡German ¡and ¡Japanese ¡

• The ¡CCL ¡experience ¡with ¡bilingual ¡lexicography ¡

suggests ¡that ¡this ¡undoubtedly ¡presents ¡a ¡fruiDul ¡ avenue ¡of ¡development ¡to ¡ECL ¡

14 ¡

ECL ¡vs. ¡CCL ¡in ¡lexicography ¡

• The ¡advantages ¡of ¡using ¡corpora ¡in ¡dic>onary ¡

making, ¡whether ¡monolingual ¡Chinese ¡ dic>onaries ¡or ¡bilingual ¡dic>onaries, ¡are ¡self-­‑ evident ¡

• Corpora ¡are ¡a ¡double-­‑edge ¡sword: ¡if ¡used ¡

inappropriately, ¡they ¡simply ¡mean ¡labour ¡lost; ¡ and ¡even ¡worse ¡s>ll, ¡they ¡can ¡lead ¡to ¡falsehood ¡ under ¡a ¡scien>fic ¡and ¡objec>ve ¡disguise ¡(cf. ¡Li ¡ 2008: ¡203) ¡

– Sinclair ¡(2004b: ¡2): ¡“A ¡corpus ¡is ¡not ¡a ¡simple ¡object, ¡ and ¡it ¡is ¡just ¡as ¡easy ¡to ¡derive ¡nonsensical ¡conclusions ¡ from ¡the ¡evidence ¡as ¡insighDul ¡ones.” ¡

15 ¡

Corpus-­‑based ¡descrip>ve ¡grammars ¡

• The ¡development ¡in ¡ECL ¡has ¡redefined ¡what ¡a ¡grammar ¡is, ¡

leading ¡not ¡only ¡to ¡becer ¡English ¡grammars, ¡but ¡also ¡a ¡ deeper ¡awareness ¡of ¡the ¡very ¡real ¡differences ¡between ¡the ¡ grammar ¡of ¡speech ¡and ¡wri>ng ¡

• 3 ¡genera>ons ¡of ¡English ¡reference ¡grammars ¡of ¡Quirk’s ¡

SEU ¡tradi>on ¡

– Grammar ¡of ¡Contemporary ¡English ¡(Quirk ¡et ¡al. ¡1972) ¡ ¡ – Comprehensive ¡Grammar ¡of ¡the ¡English ¡Language ¡(Quirk ¡et ¡al. ¡ 1985) ¡ – Longman ¡Grammar ¡of ¡Spoken ¡and ¡WriQen ¡English ¡(Biber ¡et ¡al. ¡ 1999) ¡

• Carter ¡and ¡McCarthy’s ¡spoken ¡English ¡grammar ¡

(CANCODE) ¡

– Cambridge ¡Grammar ¡of ¡English ¡(Carter ¡& ¡McCarthy ¡2006) ¡

16 ¡

Corpora ¡in ¡descrip>ve ¡Chinese ¡ grammars ¡

• The ¡development ¡of ¡CCL ¡in ¡Chinese ¡descrip>ve ¡ ¡

grammars ¡is ¡s>ll ¡lagging ¡far ¡behind ¡

• Research ¡in ¡corpus-­‑based ¡descrip>ve ¡

grammars ¡in ¡Chinese ¡is ¡rather ¡sporadic ¡and ¡ fragmentary ¡

• Largely ¡focused ¡on ¡specific ¡linguis>c ¡features ¡
• f ¡interest ¡to ¡individual ¡researchers ¡

17 ¡

Corpora ¡in ¡descrip>ve ¡Chinese ¡ grammars ¡

• Huang ¡& ¡Ahrens ¡(2003) ¡study ¡the ¡rela>onship ¡between ¡

nouns ¡and ¡nominal ¡classifiers ¡in ¡Mandarin ¡Chinese ¡ based ¡on ¡the ¡data ¡from ¡the ¡Academia ¡Sinica ¡Balanced ¡ Corpus ¡of ¡Modern ¡Mandarin ¡Chinese ¡

• Zhao ¡(2010) ¡studies ¡the ¡gramma>cal ¡meanings ¡and ¡

usage ¡contexts ¡of ¡the ¡func>on ¡word ¡来着 laizhe ¡in ¡the ¡ 610 ¡valid ¡instances ¡of ¡the ¡word ¡in ¡the ¡PKU ¡corpus ¡of ¡ modern ¡Chinese ¡

• Zhang ¡(2010) ¡is ¡concerned ¡with ¡a ¡syntac>c ¡and ¡

pragma>c ¡analysis ¡of ¡a ¡commonly ¡used ¡degree ¡ complement ¡structure ¡in ¡Chinese, ¡‘X得很’, ¡on ¡the ¡basis ¡

• f ¡the ¡PKU ¡corpus ¡

18 ¡

Corpora ¡in ¡descrip>ve ¡Chinese ¡ grammars ¡

• Siewierska, ¡Xu ¡& ¡Xiao ¡(2010) ¡
• A ¡corpus-­‑based ¡study ¡of ¡splicable ¡compounds ¡(离合

词) ¡in ¡interac>on ¡with ¡morphology, ¡syntax, ¡and ¡ pragma>cs, ¡with ¡the ¡aim ¡to ¡produce ¡a ¡systema>c ¡and ¡ realis>c ¡account ¡of ¡splicable ¡compounds ¡as ¡acested ¡ in ¡two ¡million ¡words ¡of ¡authen>c ¡spoken ¡and ¡wricen ¡ Chinese ¡data ¡(LCMC, ¡LLSCC) ¡

• Wang ¡& ¡Wang ¡(2009) ¡
• Approaching ¡splicable ¡compounds ¡from ¡a ¡pedagogical ¡

perspec>ve ¡by ¡discussing ¡the ¡implica>on ¡of ¡their ¡ research ¡findings ¡based ¡on ¡the ¡PKU ¡Chinese ¡corpus ¡ for ¡teaching ¡Chinese ¡as ¡a ¡foreign ¡language ¡

19 ¡

Corpora ¡in ¡descrip>ve ¡Chinese ¡ grammars ¡

• Xiao, ¡McEnery ¡& ¡Qian ¡(2006) ¡

– A ¡systema>c ¡account ¡of ¡passive ¡construc>ons ¡in ¡Chinese ¡in ¡ contrast ¡with ¡English, ¡covering ¡a ¡range ¡of ¡characteris>cs ¡of ¡ passives ¡in ¡the ¡two ¡languages ¡

• Xiao ¡& ¡McEnery ¡(2008) ¡

– Exploring ¡nega>on ¡in ¡Chinese ¡on ¡the ¡basis ¡of ¡spoken ¡and ¡ wricen ¡Chinese ¡corpora ¡

• Xiao ¡& ¡McEnery ¡(2004) ¡

– First ¡book-­‑length ¡corpus-­‑based ¡comprehensive ¡account ¡of ¡ aspect ¡in ¡Mandarin ¡Chinese ¡

20 ¡

Corpora ¡in ¡descrip>ve ¡Chinese ¡ grammars ¡

• Apart ¡from ¡the ¡corpus ¡studies ¡of ¡specific ¡linguis>c ¡features ¡

in ¡Chinese ¡reviewed ¡so ¡far, ¡there ¡is ¡hardly ¡any ¡descrip>ve ¡ grammar ¡of ¡Chinese ¡based ¡on ¡or ¡informed ¡by ¡corpora ¡

• Xiao ¡& ¡McEnery ¡(2010) ¡provides ¡the ¡first ¡book-­‑length ¡

corpus-­‑based ¡contras>ve ¡studies ¡of ¡major ¡gramma>cal ¡ categories ¡that ¡contribute ¡to ¡aspectual ¡meaning ¡in ¡Chinese ¡ and ¡English ¡

– E.g. ¡aspect ¡markers, ¡comple>ve ¡and ¡dura>ve ¡temporal ¡ adverbials, ¡quan>fiers, ¡passives, ¡and ¡nega>on ¡all ¡contribu>ng ¡to ¡ aspectual ¡meaning ¡by ¡interac>ng ¡with ¡situa>on ¡aspect ¡or ¡ viewpoint ¡aspect ¡in ¡one ¡way ¡or ¡another ¡

• This ¡book ¡is ¡a ¡research ¡monograph ¡more ¡than ¡a ¡descrip>ve ¡

grammar ¡of ¡Chinese ¡for ¡general ¡reference ¡or ¡pedagogical ¡ use ¡

21 ¡

Corpora ¡in ¡descrip>ve ¡Chinese ¡ grammars ¡

• Knowledge ¡bases ¡or ¡electronic ¡dic>onaries ¡of ¡Chinese ¡

grammar ¡developed ¡at ¡PKU ¡for ¡use ¡in ¡automa>c ¡Chinese ¡ informa>on ¡processing ¡

– Specifica6ons ¡for ¡Basic ¡Processing ¡of ¡Contemporary ¡Chinese ¡ Corpus ¡at ¡Peking ¡University ¡(Yu ¡& ¡Duan ¡2002) ¡ – Gramma6cal ¡Knowledge ¡Base ¡of ¡Contemporary ¡Chinese ¡(Yu ¡ 2003); ¡Gramma6cal ¡Knowledge ¡Base ¡of ¡Chinese ¡High ¡Frequency ¡ Words ¡(Zhu ¡et ¡al. ¡2004) ¡ – Chinese ¡Func6on ¡Word ¡Usage ¡Knowledge ¡Base ¡(Liu ¡et ¡al. ¡2005) ¡ – Modern ¡Chinese ¡New ¡Words ¡Informa6on ¡Electronic ¡Dic6onary ¡ (Kang ¡2002) ¡

• Providing ¡useful ¡gramma>cal ¡informa>on ¡about ¡Chinese ¡

in ¡NLP, ¡but ¡not ¡descrip>ve ¡grammars ¡in ¡a ¡sense ¡that ¡a ¡ reference ¡grammar ¡is ¡expected ¡to ¡be ¡

22 ¡

ECL ¡vs. ¡CCL ¡in ¡descrip>ve ¡grammars ¡

• A ¡huge ¡gap ¡in ¡research ¡in ¡descrip>ve ¡grammars ¡

between ¡English ¡and ¡Chinese ¡ – Three ¡genera>ons ¡of ¡systema>cally ¡and ¡ substan>ally ¡corpus-­‑based ¡English ¡reference ¡ grammar ¡

• Quirk ¡et ¡al ¡1972, ¡Quirk ¡et ¡al ¡1985, ¡Biber ¡et ¡al ¡1999 ¡

– Corpus-­‑based ¡Chinese ¡descrip>ve ¡grammars ¡ rather ¡sporadic ¡and ¡fragmentary ¡

• The ¡first ¡comprehensive ¡and ¡data-­‑driven ¡descrip>ve ¡

grammar ¡yet ¡to ¡be ¡published: ¡Cambridge ¡Chinese ¡ Reference ¡Grammar ¡ ¡

23 ¡

ECL ¡vs. ¡CCL ¡in ¡descrip>ve ¡grammars ¡

• Sharp ¡contrast ¡may ¡be ¡due ¡to ¡the ¡fact ¡that ¡the ¡

development ¡of ¡corpus ¡linguis>cs ¡started ¡with ¡ the ¡English ¡language, ¡causing ¡corpus-­‑based ¡ research ¡of ¡Chinese ¡grammar ¡to ¡lag ¡behind ¡in ¡ some ¡areas ¡

• But ¡a ¡more ¡important ¡reason ¡for ¡the ¡significant ¡

lagging ¡behind ¡for ¡corpus-­‑based ¡Chinese ¡ descrip>ve ¡grammar ¡is ¡the ¡separa>on ¡between ¡ Chinese ¡corpus ¡research ¡and ¡linguis>c ¡research ¡in ¡ Chinese ¡context ¡

24 ¡

ECL ¡vs. ¡CCL ¡in ¡descrip>ve ¡grammars ¡

• In ¡China ¡members ¡of ¡the ¡CLSC ¡are ¡almost ¡exclusively ¡

university ¡foreign ¡language ¡teachers ¡at ¡universi>es ¡

• More ¡interested ¡in ¡ECL ¡than ¡CCL ¡
• Those ¡working ¡with ¡Chinese ¡corpora ¡are ¡usually ¡

computer ¡specialists ¡and ¡computa>onal ¡linguists ¡

• More ¡interested ¡in ¡NLP ¡technologies ¡than ¡linguis>c ¡

theorisa>on ¡

• Coopera>on ¡and ¡collabora>on ¡between ¡these ¡two ¡

groups ¡of ¡scholars, ¡and ¡therefore ¡between ¡their ¡corpus ¡ building ¡and ¡analysis ¡exper>se ¡and ¡linguis>c ¡ knowledge, ¡would ¡substan>ally ¡facilitate ¡the ¡healthy ¡ development ¡of ¡CCL ¡in ¡the ¡right ¡direc>on ¡

• An ¡important ¡area ¡where ¡CCL ¡can ¡learn ¡from ¡ECL ¡

25 ¡

Learner ¡English ¡corpora ¡

• One ¡of ¡the ¡most ¡exci>ng ¡developments ¡in ¡corpus ¡

linguis>cs ¡that ¡can ¡be ¡used ¡to ¡inform ¡teaching ¡directly ¡

• r ¡directly ¡
• The ¡ICLE ¡launched ¡by ¡Granger ¡in ¡1990 ¡

– To ¡date ¡containing ¡over ¡4.5 ¡million ¡words ¡arranged ¡in ¡16 ¡ subcorpora, ¡each ¡for ¡a ¡dis>nct ¡L1 ¡background ¡ ¡ – LOCNESS: ¡a ¡comparable ¡corpus ¡of ¡L1 ¡English ¡materials ¡

• Louvain ¡Interna>onal ¡Database ¡of ¡Spoken ¡English ¡

Interlanguage ¡(LINDSEI) ¡

– Currently ¡containing ¡only ¡100,000 ¡words ¡by ¡50 ¡speakers ¡ with ¡a ¡French ¡L1 ¡background, ¡but ¡being ¡expanded ¡by ¡a ¡ number ¡of ¡interna>onal ¡teams ¡ – LOCNEC: ¡a ¡comparable ¡control ¡corpus ¡for ¡exploring ¡ LINDSEI ¡ ¡

26 ¡

Learner ¡English ¡corpora ¡

• Other ¡learner ¡English ¡corpora ¡

– The ¡Uppsala ¡Student ¡English ¡corpus ¡(Swedish ¡L1) ¡ – The ¡JEFLL ¡corpus ¡(Japanese ¡L1) ¡ – The ¡Standard ¡Speaking ¡Test ¡corpus ¡(Japanese ¡L1) ¡ – The ¡HKUST ¡Corpus ¡of ¡Learner ¡English ¡(Cantonese ¡L1) ¡ – The ¡Polish ¡Learner ¡English ¡Corpus ¡ ¡(Polish ¡L1) ¡ – The ¡Chinese ¡Learner ¡English ¡Corpus ¡(Chinese ¡L1) ¡ – Chinese ¡Learners’ ¡Spoken ¡English ¡Corpus ¡(Chinese ¡L1) ¡ – Spoken ¡and ¡Wricen ¡English ¡Corpus ¡of ¡Chinese ¡Learners ¡(Chinese ¡L1) ¡ – Parallel ¡Corpus ¡of ¡Chinese ¡EFL ¡Learners ¡(Chinese ¡L1) ¡ – Corpus ¡of ¡English ¡Majors ¡(Chinese ¡L1) ¡ – Longman ¡Learner’s ¡Corpus ¡(various ¡L1’s) ¡ – Cambridge ¡Learner ¡Corpus ¡(various ¡L1’s) ¡

27 ¡

Learner ¡English ¡corpora ¡

• The ¡scope ¡and ¡systema>c ¡nature ¡of ¡work ¡with ¡

learner ¡corpora ¡today ¡allows ¡for ¡a ¡much ¡more ¡ wide-­‑ranging ¡and ¡systema>c ¡explora>on ¡of ¡ learner ¡data ¡than ¡the ¡earlier ¡studies ¡from ¡the ¡ 1970s ¡

• Nowadays ¡learner ¡English ¡corpus ¡research ¡

appears ¡to ¡have ¡been ¡undertaken ¡extensively ¡ around ¡the ¡world, ¡but ¡ironically ¡not ¡notably ¡in ¡ a ¡na>ve ¡English ¡speaking ¡country ¡

28 ¡

Chinese ¡interlanguage ¡research ¡

• Interlanguage ¡analysis ¡of ¡learner ¡errors ¡appears ¡to ¡be ¡

the ¡focus ¡of ¡corpus-­‑based ¡Chinese ¡teaching ¡and ¡ learning ¡

• Rapid ¡development ¡of ¡TCFL ¡since ¡the ¡mid ¡1990shas ¡led ¡

to ¡an ¡increasingly ¡pressing ¡demand ¡for ¡Chinese ¡ interlanguage ¡corpora ¡to ¡aid ¡Chinese ¡teaching ¡and ¡ learning ¡(cf. ¡Ren ¡2010) ¡

– Providing ¡more ¡direct ¡and ¡readily ¡available ¡help ¡in ¡ teaching ¡and ¡learning ¡(e.g. ¡in ¡terms ¡of ¡real-­‑>me ¡error ¡ analysis, ¡computer-­‑aided ¡teaching, ¡per>nent ¡exercises ¡for ¡ individual ¡learners, ¡learning ¡evalua>on) ¡ – Playing ¡an ¡increasingly ¡important ¡role ¡in ¡syllabus ¡design, ¡ materials ¡development, ¡lexicography ¡etc. ¡

29 ¡

Chinese ¡interlanguage ¡research ¡

• The ¡Chinese ¡Interlanguage ¡Corpus ¡

– The ¡earliest ¡corpus ¡of ¡learner ¡Chinese, ¡created ¡at ¡ BLCU ¡in ¡1993-­‑1995 ¡ – 1,371 ¡composi>ons ¡by ¡740 ¡students, ¡1.04m ¡ characters ¡ – Encoded ¡with ¡23 ¡metadata ¡features ¡ – Annotated ¡with ¡POS ¡and ¡learner ¡errors ¡at ¡ character, ¡word ¡and ¡sentence ¡level ¡

30 ¡

Chinese ¡interlanguage ¡research ¡

• The ¡HSK ¡Dynamic ¡Composi>on ¡Corpus ¡

– BLCU’s ¡another ¡corpus ¡of ¡over ¡4.24m ¡characters ¡ – 11,569 ¡HSK ¡composi>ons ¡by ¡learners ¡of ¡Chinese ¡as ¡a ¡ second ¡or ¡foreign ¡language ¡in ¡1992-­‑2005 ¡ – Annotated ¡with ¡rich ¡metadata ¡and ¡learner ¡errors ¡at ¡ character, ¡word ¡and ¡sentence ¡level ¡ – Con>nuous ¡data ¡suitable ¡for ¡longitudinal ¡study ¡ – Available ¡online: ¡ hcp://202.112.195.192:8060/hsk/login.asp ¡

31 ¡

Chinese ¡interlanguage ¡research ¡

• The ¡Mandarin ¡Interlanguage ¡Corpus ¡(MIC) ¡

– Created ¡at ¡the ¡University ¡of ¡Hong ¡Kong ¡ – A ¡total ¡of ¡19 ¡par>cipants ¡from ¡two ¡groups ¡of ¡year ¡2 ¡students ¡ taking ¡a ¡two-­‑year ¡Cer>ficate ¡Course ¡in ¡Chinese ¡Language ¡ – A ¡range ¡of ¡L1 ¡backgrounds: ¡English, ¡Korean, ¡Japanese, ¡German, ¡ French, ¡Tamil, ¡Indonesian, ¡Spanish, ¡Dutch, ¡and ¡Thai ¡ – Wricen ¡data ¡in ¡the ¡form ¡of ¡(88) ¡short ¡composi>ons ¡ranging ¡ from ¡150-­‑700 ¡characters, ¡depending ¡on ¡the ¡genre ¡type ¡ – Spoken ¡data ¡is ¡from ¡their ¡1-­‑2 ¡minute ¡short ¡presenta>ons ¡ ¡(60 ¡ hours) ¡during ¡in-­‑class ¡conversa>on ¡and ¡the ¡examina>on ¡ – Coming ¡with ¡a ¡user-­‑friendly ¡online ¡interface ¡that ¡allows ¡a ¡ number ¡of ¡search ¡op>ons ¡including ¡searching ¡by ¡source, ¡word ¡ class, ¡learner’s ¡L1, ¡topic ¡of ¡the ¡task ¡

32 ¡

Chinese ¡interlanguage ¡research ¡

• Modern ¡Interlanguage ¡Chinese ¡Corpus ¡

– Comprising ¡tasks ¡of ¡composi>ons ¡and ¡making ¡sentences, ¡ 10,135 ¡sentences ¡ – Collected ¡twice ¡per ¡semester ¡from ¡years ¡2-­‑4 ¡Chinese ¡ studies ¡students ¡at ¡6 ¡Korean ¡universi>es ¡in ¡2004-­‑2006 ¡ – hcp://jit.jj.ac.kr:8080/corpus/index.jsp ¡

• NTNU ¡created ¡a ¡Chinese ¡interlanguage ¡corpus ¡in ¡

2004-­‑2005 ¡

• 41,053 ¡sentences ¡by ¡210 ¡learners ¡of ¡Chinese ¡(mostly ¡L1 ¡

English) ¡

• hcp://chinese.mtc.ntnu.edu.tw/moodle/mod/forum/

discuss.php?d=210 ¡

33 ¡

Chinese ¡interlanguage ¡research ¡

• Learner ¡Chinese ¡corpora ¡reported ¡but ¡not ¡

publicly ¡available ¡

– Ji’nan ¡University: ¡3 ¡million ¡characters ¡ – Nanjing ¡Normal ¡University: ¡900,000 ¡characters ¡ – Zhongshan ¡University: ¡750,000 ¡characters ¡

• Corpora ¡planned ¡or ¡under ¡construc>on ¡

– NTNU: ¡learner ¡interlanguage ¡corpus ¡(LIC) ¡of ¡Chinese ¡ wricen ¡and ¡spoken ¡texts ¡ – Ludong ¡University: ¡country-­‑specific ¡(L1 ¡Korean) ¡Chinese ¡ interlanguage ¡corpus ¡with ¡a ¡target ¡size ¡of ¡over ¡3m ¡ characters ¡ ¡ – Shanghai ¡Jiaotong ¡University: ¡Chinese ¡composi>on ¡corpus ¡

34 ¡

Chinese ¡interlanguage ¡research ¡

• Examples ¡of ¡corpus-­‑based ¡studies ¡analysing ¡specific ¡

gramma>cal ¡and ¡lexical ¡features ¡of ¡learners’ ¡Chinese ¡ interlanguage ¡

– Japanese ¡learners’ ¡acquisi>on ¡of ¡Chinese ¡direc>onal ¡complements ¡ ¡ (Yang ¡2004) ¡ – Learner ¡errors ¡with ¡the ¡negators ¡不 bu ¡and ¡没有 meiyou ¡(Yuan ¡ 2005a, ¡2005b) ¡ – Learners’ ¡acquisi>on ¡of ¡the ¡Chinese ¡比 bi ¡compara>ve ¡structure ¡ (Wang ¡ ¡2005) ¡ – Learner ¡errors ¡with ¡Chinese ¡idioms ¡chengyu ¡(Shi ¡2008) ¡ – L1 ¡Korean ¡learners’ ¡errors ¡with ¡the ¡preposi>on ¡給 gei ¡(Hua ¡2009) ¡ ¡

35 ¡

Chinese ¡interlanguage ¡research ¡

• A ¡focus ¡of ¡TCFL ¡research, ¡but ¡a ¡number ¡of ¡issues ¡with ¡current ¡

Chinese ¡interlanguage ¡research ¡

– Very ¡few ¡exis>ng ¡Chinese ¡interlanguage ¡corpora ¡in ¡comparison ¡ with ¡learner ¡English ¡corpora ¡ – Rather ¡small ¡corpus ¡size ¡compared ¡with ¡general ¡corpora ¡ – Seriously ¡biased ¡towards ¡to ¡Asian ¡learners ¡(Korean, ¡Japanese, ¡ Southeast ¡Asian) ¡ – Mostly ¡composi>ons ¡under ¡test ¡condi>ons ¡ – Lack ¡of ¡spoken ¡data ¡ – Consistency ¡in ¡manual ¡error ¡tagging ¡ – Public ¡availability ¡ – Interlanguage ¡research ¡focusing ¡on ¡or ¡confined ¡to ¡error ¡analysis, ¡

• verlooking ¡interlanguage ¡usage ¡pacerns ¡ ¡

36 ¡

ECL ¡and ¡CCL ¡in ¡interlanguage ¡research ¡

• While ¡learn ¡English ¡corpus ¡research ¡has ¡largely ¡been ¡

undertaken ¡in ¡parts ¡of ¡the ¡world ¡other ¡than ¡major ¡na>ve ¡ English ¡speaking ¡countries, ¡research ¡of ¡Chinese ¡interlanguage ¡ is ¡highly ¡concentrated ¡in ¡China ¡

• While ¡learner ¡English ¡corpus ¡research ¡has ¡covered ¡the ¡

interlanguages ¡of ¡learners ¡from ¡an ¡extensive ¡range ¡of ¡L1 ¡ backgrounds ¡including ¡languages ¡both ¡similar ¡to ¡and ¡dis>nctly ¡ different ¡from ¡English, ¡Chinese ¡interlanguage ¡research ¡is ¡ highly ¡unbalanced ¡as ¡regards ¡learners’ ¡L1, ¡which ¡are ¡ essen>ally ¡limited ¡to ¡learners ¡from ¡East ¡and ¡Southeast ¡Asian ¡ countries, ¡with ¡learners ¡with ¡a ¡first ¡language ¡of ¡English ¡or ¡an ¡ European ¡language ¡markedly ¡under-­‑represented ¡at ¡present ¡

37 ¡

ECL ¡and ¡CCL ¡in ¡interlanguage ¡research ¡

• English ¡is ¡the ¡most ¡popular ¡and ¡most ¡widely ¡learned ¡

second ¡or ¡foreign ¡language ¡in ¡the ¡world ¡

• Unsurprising ¡that ¡learner ¡English ¡has ¡been ¡studied ¡

more ¡extensively ¡than ¡learner ¡Chinese ¡

• When ¡CCL ¡seeks ¡to ¡address ¡the ¡numerous ¡issues ¡

with ¡Chinese ¡interlanguage ¡corpus ¡research ¡as ¡noted ¡ earlier, ¡it ¡clearly ¡has ¡a ¡lot ¡to ¡learn ¡from ¡the ¡ECL ¡ experience ¡with ¡learner ¡English ¡research ¡

38 ¡

ECL ¡and ¡CCL ¡in ¡interlanguage ¡research ¡

• A ¡proposal ¡to ¡create ¡the ¡Interna4onal ¡Corpus ¡of ¡Learner ¡

Chinese ¡as ¡a ¡joint ¡research ¡project ¡between ¡a ¡number ¡of ¡ universi>es ¡in ¡and ¡outside ¡China ¡(Cui ¡& ¡Zhang ¡2011) ¡

• Target ¡size ¡of ¡50m ¡characters, ¡with ¡an ¡annotated ¡wricen ¡

component ¡of ¡20m ¡characters ¡and ¡a ¡raw ¡text ¡wricen ¡ component ¡of ¡25m ¡characters ¡

• Also ¡5m ¡characters ¡of ¡spoken ¡data, ¡with ¡an ¡annotated ¡

component ¡of ¡2m ¡characters ¡and ¡a ¡raw ¡text ¡component ¡of ¡3m ¡ characters ¡

• Data ¡to ¡be ¡collected ¡from ¡non-­‑na>ve ¡Chinese ¡learners ¡

including ¡both ¡Chinese ¡majors ¡and ¡non-­‑Chinese ¡majors ¡at ¡ beginner, ¡intermediate, ¡and ¡advanced ¡levels ¡

39 ¡

ECL ¡and ¡CCL ¡in ¡interlanguage ¡research ¡

• Genres ¡to ¡cover ¡narra>ve, ¡argumenta>ve, ¡and ¡expository ¡

types ¡

• Task ¡types ¡to ¡include ¡homework, ¡exam ¡script, ¡HSK ¡test ¡etc. ¡
• Encoding ¡of ¡rich ¡metadata ¡about ¡learners ¡and ¡about ¡the ¡

text ¡sample ¡

• Error ¡tagging ¡at ¡various ¡levels ¡
• Basic ¡annota>on ¡including ¡word ¡tokenisa>on, ¡POS ¡tagging, ¡

sentence ¡cons>tuents, ¡sentence ¡type ¡

• Resul>ng ¡corpus ¡to ¡be ¡mounted ¡at ¡a ¡dedicated ¡website ¡to ¡

allow ¡registered ¡users ¡to ¡search ¡online, ¡in ¡addi>on ¡to ¡a ¡CD ¡ edi>on ¡to ¡be ¡published ¡for ¡use ¡offline ¡on ¡standoff ¡PCs ¡

40 ¡

ECL ¡and ¡CCL ¡in ¡interlanguage ¡research ¡

• Also ¡a ¡need ¡to ¡build ¡a ¡comparable ¡na>ve ¡Chinese ¡‘control ¡

corpus’ ¡to ¡facilitate ¡comparisons ¡of ¡learner ¡Chinese ¡with ¡ na>ve ¡Chinese ¡

• How ¡can ¡ECL ¡contribute ¡to ¡Chinese ¡interlanguage ¡research? ¡

– Chinese ¡is ¡owen ¡taught ¡locally ¡in ¡major ¡European ¡and ¡American ¡ countries ¡such ¡as ¡the ¡UK ¡and ¡the ¡US, ¡where ¡ECL ¡has ¡also ¡developed ¡ most ¡rapidly ¡ – Corpus ¡linguists ¡in ¡these ¡areas ¡can ¡contribute ¡to ¡Chinese ¡ interlanguage ¡research ¡by ¡crea>ng ¡corpora ¡of ¡learner ¡Chinese ¡ produced ¡by ¡their ¡local ¡na>ve ¡students ¡ – To ¡complement ¡the ¡exis>ng ¡interlanguage ¡Chinese ¡corpora ¡created ¡in ¡ China, ¡facilita>ng ¡contras>ve ¡analysis ¡of ¡interlanguages ¡by ¡learners ¡ from ¡Asia ¡and ¡those ¡from ¡Europe ¡and ¡America ¡

41 ¡

Conclusions ¡

• I ¡hope ¡the ¡survey ¡of ¡the ¡development ¡of ¡

corpus ¡linguis>cs ¡in ¡Chinese ¡context ¡in ¡the ¡ three ¡areas ¡reviewed ¡will ¡contribute ¡to ¡the ¡ further ¡development ¡of ¡CCL ¡

• CCL ¡and ¡ECL ¡clearly ¡can ¡inform ¡and ¡learn ¡from ¡

each ¡other, ¡e.g. ¡ECL ¡experience ¡of ¡descrip>ve ¡ grammars ¡for ¡CCL, ¡and ¡CCL ¡experience ¡of ¡ mul>lingual ¡lexicography ¡for ¡ECL ¡

42 ¡