自然語(yǔ)言處理技術(shù)下的二語(yǔ)寫作語(yǔ)言特征研究：回顧與展望

陳怡

摘要

本文系統(tǒng)梳理過(guò)去二三十年來(lái)國(guó)內(nèi)外運(yùn)用自然語(yǔ)言處理技術(shù)進(jìn)行的二語(yǔ)寫作語(yǔ)言特征研究。文獻(xiàn)回顧顯示，各類自然語(yǔ)言處理工具在學(xué)習(xí)者語(yǔ)料庫(kù)上的應(yīng)用，不僅揭示了任務(wù)、體裁、話題等中介因素下的詞匯復(fù)雜度、句法復(fù)雜度、語(yǔ)篇銜接等多維度語(yǔ)言特征與二語(yǔ)寫作質(zhì)量之間的關(guān)系，也為理解二語(yǔ)習(xí)得和二語(yǔ)寫作能力的發(fā)展提供了有力的實(shí)證支持。文章還概括了最近幾年這一研究領(lǐng)域的新進(jìn)展，包括語(yǔ)言特征指標(biāo)的拓展以及機(jī)器學(xué)習(xí)的深入運(yùn)用。文章最后提出未來(lái)研究需要特別關(guān)注的兩個(gè)重點(diǎn)方向，即理論框架的突破和技術(shù)范式的更新。

關(guān)鍵詞：二語(yǔ)寫作、自然語(yǔ)言處理技術(shù)、語(yǔ)言特征指標(biāo)、機(jī)器學(xué)習(xí)

正文

1. 引言

隨著計(jì)算機(jī)技術(shù)的發(fā)展，數(shù)據(jù)處理的自動(dòng)化程度不斷提升，極大地推動(dòng)了基于學(xué)習(xí)者語(yǔ)料庫(kù)的二語(yǔ)寫作語(yǔ)言特征的研究。借助各類自然語(yǔ)言處理工具，研究者從各維度考察了二語(yǔ)寫作的語(yǔ)言特征與文本質(zhì)量、寫作能力及其發(fā)展之間的關(guān)系，為二語(yǔ)寫作教學(xué)研究提供了寶貴的數(shù)據(jù)支持。Crossley（2020）對(duì)這一領(lǐng)域的研究現(xiàn)狀進(jìn)行了回顧，但并非完全針對(duì)二語(yǔ)，也未提及中國(guó)學(xué)者的貢獻(xiàn)，加之最近幾年人工智能飛速發(fā)展，所以有必要再進(jìn)行一個(gè)綜合的回顧。本文旨在系統(tǒng)梳理過(guò)去二三十年來(lái)關(guān)于二語(yǔ)寫作（主要是英語(yǔ)二語(yǔ)寫作）語(yǔ)言特征研究的主要成果，選擇代表性研究進(jìn)行評(píng)述，總結(jié)最近幾年的新發(fā)展，展望未來(lái)研究趨勢(shì)，以期進(jìn)一步推動(dòng)數(shù)字人文視域下的二語(yǔ)寫作教學(xué)和研究。

2. 自然語(yǔ)言處理工具與二語(yǔ)寫作語(yǔ)言特征

2.1 應(yīng)用于二語(yǔ)研究的自然語(yǔ)言處理工具

目前應(yīng)用于二語(yǔ)文本的自然語(yǔ)言處理工具大體可分為三類。第一類是較早出現(xiàn)的自動(dòng)化詞性標(biāo)注工具，如 Biber Tagger（Biber 1988）等。第二類是專用文本特征分析工具。繼整合詞匯、句法、語(yǔ)篇指標(biāo)的多維度文本分析器 Coh- Metrix（Graesser et al. 2004）問(wèn)世之后，新一代分化更細(xì)的文本分析器紛紛出現(xiàn)。比如 Lexical Complexity Analyzer（LCA）（Lu 2012）、Tool for the Automatic Analysis of Lexical Sophistication（TAALES）（Kyle & Crossley 2015）和 Tool for the Automatic Analysis of Lexical Diversity（TAALED）（Kyle，Crossley & Jarvis 2021）專門用于分析詞匯復(fù)雜度或復(fù)雜度下的成熟度 / 多樣性，L2 Syntactic Complexity Analyzer（L2SCA）（Lu 2011）和 Tool for the Automatic Analysis of Syntactic Sophistication and Complexity（TAASSC）（Kyle 2016）用于句法復(fù)雜度分析，Tool for the Automatic Analysis of Cohesion（TAACO）

（Crossley，Kyle & McNamara 2016）針對(duì)語(yǔ)篇銜接性進(jìn)行分析。第三類是通用自然語(yǔ)言處理庫(kù)，如 Stanford CoreNLP 和 Python 的 NLTK、spaCy、Gensim、 Stanza 等 1。上述各類自然語(yǔ)言處理工具的運(yùn)用，顯著提升了對(duì)學(xué)習(xí)者語(yǔ)料庫(kù)的分析效率，極大地推動(dòng)了二語(yǔ)寫作語(yǔ)言特征的研究。

2.2 文本質(zhì)量評(píng)估視角下的二語(yǔ)寫作語(yǔ)言特征研究

運(yùn)用自然語(yǔ)言處理工具從學(xué)習(xí)者筆語(yǔ)語(yǔ)料庫(kù)中提取特定語(yǔ)言特征指標(biāo)，并通過(guò)回歸分析或結(jié)構(gòu)方程模型分析這些指標(biāo)對(duì)文本整體/ 分項(xiàng)得分或評(píng)級(jí)的預(yù)測(cè)力，是二語(yǔ)寫作語(yǔ)言特征研究的核心議題之一。這類研究多以獨(dú)立寫作議論文為主，主要關(guān)注詞匯復(fù)雜度、句法復(fù)雜度、語(yǔ)篇銜接性等特征維度。

2.2.1 詞匯復(fù)雜度

詞 匯 復(fù) 雜 度 包括 詞 匯 密 度（density）、多 樣 性（diversity）和 成 熟 度（sophistication），是文本質(zhì)量評(píng)估的重要維度。研究表明，詞匯復(fù)雜度與 EFL 寫作質(zhì)量呈顯著正相關(guān)，更高的文本質(zhì)量意味著更多樣的詞語(yǔ)以及更多以頻率、分布和心理語(yǔ)言學(xué)屬性為標(biāo)識(shí)的高階實(shí)詞的產(chǎn)出（Crossley et al. 2010）。研究發(fā)現(xiàn)，指向二語(yǔ)寫作質(zhì)量的詞匯復(fù)雜度還包括多元（n-gram）詞語(yǔ)組，特別是二元和三元詞語(yǔ)組在本族語(yǔ)參照語(yǔ)料庫(kù)中的出現(xiàn)頻率和關(guān)聯(lián)強(qiáng)度（Kim，Crossley & Kyle 2018）。此外，還有研究通過(guò)提取構(gòu)成搭配的二元詞語(yǔ)組（Bestgen & Granger 2014）或具有特定依存關(guān)系但并不一定由相鄰詞構(gòu)成的詞語(yǔ)搭配（Paquot 2018），進(jìn)一步證明了詞語(yǔ)組合復(fù)雜度指標(biāo)對(duì)二語(yǔ)寫作質(zhì)量的貢獻(xiàn)度。

2.2.2 句法復(fù)雜度

句法復(fù)雜度也是評(píng)估二語(yǔ)寫作文本質(zhì)量的一個(gè)關(guān)鍵維度。研究表明，EFL議論文中的產(chǎn)出單位長(zhǎng)度（尤其是子句平均長(zhǎng)度）和復(fù)雜名詞結(jié)構(gòu)指標(biāo)與寫作質(zhì)量密切相關(guān)（Kyle & Crossley 2018），但關(guān)于并列結(jié)構(gòu)和子句指標(biāo)的貢獻(xiàn)度，相關(guān)研究結(jié)果并不一致。另外，微觀層面的句法復(fù)雜度指標(biāo)和宏觀層面的句法復(fù)雜度指標(biāo)孰能更好地預(yù)測(cè)EFL 寫作質(zhì)量（Biber et al. 2020），子句復(fù)雜度與復(fù)雜名詞結(jié)構(gòu)指標(biāo)在二語(yǔ)寫作質(zhì)量評(píng)估上的共現(xiàn)和互動(dòng)關(guān)系如何（Biber，Gray & Staples 2016）等問(wèn)題還需進(jìn)一步研究。

2.2.3 語(yǔ)篇銜接性

有研究顯示，局部銜接性指標(biāo)（如連接詞、相鄰句子之間詞元的重復(fù)或語(yǔ)義復(fù)現(xiàn)等）和整體銜接性指標(biāo)（如詞語(yǔ)形符 / 類符比、代詞 / 名詞比、指示詞出現(xiàn)頻率等）或負(fù)向預(yù)測(cè) EFL 議論文的語(yǔ)篇組織得分，或與語(yǔ)篇組織得分無(wú)關(guān)（Crossley，Kyle & McNamara 2016），但也有研究顯示部分局部銜接性指標(biāo)能正向預(yù)測(cè)語(yǔ)篇組織得分（Abdi Tabari，Johnson & Gao 2024）。對(duì)于中觀銜接性指標(biāo)（如相鄰段落之間詞元的重復(fù)或語(yǔ)義復(fù)現(xiàn)等），雖然相關(guān)研究發(fā)現(xiàn)其與語(yǔ)篇組織得分呈正相關(guān)，但究竟是名詞、代詞詞元還是虛詞的重復(fù)使用具有指向作用，還需進(jìn)一步研究?？偟膩?lái)說(shuō)，語(yǔ)篇銜接性仍是一個(gè)關(guān)注不足的領(lǐng)域。

2.2.4 多層面綜合

上述研究都是考察EFL 議論文某一維度的語(yǔ)言特征與寫作質(zhì)量的關(guān)系，此外還有研究綜合多個(gè)維度的語(yǔ)言特征，考察它們對(duì)寫作質(zhì)量的貢獻(xiàn)度，如將詞匯復(fù)雜度與句法復(fù)雜度相結(jié)合，詞匯復(fù)雜度與語(yǔ)篇銜接性相結(jié)合，詞匯、句法復(fù)雜度與語(yǔ)篇銜接性相結(jié)合，在此不一一贅述。另外，二語(yǔ)產(chǎn)出研究常用的復(fù)雜度 -準(zhǔn)確度 - 流利度（CAF）框架下的準(zhǔn)確度和流利度也常與詞匯、句法復(fù)雜度或語(yǔ)篇銜接性相結(jié)合（Peng et al. 2023）。

由于研究所包含的語(yǔ)言特征維度不同，加之樣本特征、樣本量、處理工具等方面的差異，這類研究得出的結(jié)論有時(shí)差別較大。另外，就某一語(yǔ)言特征與文本質(zhì)量的關(guān)系而言，綜合多個(gè)維度的研究與聚焦單一維度的研究結(jié)果也有很大差異。例如，Peng et al.（同上）的研究顯示，與詞匯使用偏誤和文本長(zhǎng)度相比，詞匯復(fù)雜度對(duì) EFL 寫作整體得分變異的解釋作用很小，這與上文提到的僅關(guān)注詞匯復(fù)雜度的研究結(jié)果迥然不同。這些都值得在今后的研究中予以關(guān)注。

2.2.5 中介因素的影響

二語(yǔ)寫作的質(zhì)量不僅由二語(yǔ)寫作能力決定，還受到諸多中介因素的影響。通過(guò)自然語(yǔ)言處理工具，已有研究探討了在不同中介因素下不同語(yǔ)言特征指標(biāo)對(duì)寫作質(zhì)量預(yù)測(cè)的差異。這些中介因素包括不同的任務(wù)形式（如無(wú)材料獨(dú)立寫作、綜合性寫作）（Guo，Crossley & McNamara 2013；Kyle & Crossley 2016）、寫作體裁（如議論文、記敘文、說(shuō)明文、書信）（Zhang，Lu & Li 2022）、話題或?qū)懽魈崾镜龋╕ang，Lu & Weigle 2015；何蓮珍、孫悠夏 2015）。上述研究表明，不同類型的二語(yǔ)寫作既具有共同的質(zhì)量預(yù)測(cè)指標(biāo)（如文本長(zhǎng)度、句法復(fù)雜度下的復(fù)雜名詞結(jié)構(gòu)），也具有各自獨(dú)特且對(duì)評(píng)分敏感的特征性指標(biāo)。

盡管如此，還有幾個(gè)問(wèn)題需要關(guān)注。第一，研究結(jié)果之間仍存在很多不一致之處。例如，Guo，Crossley & McNamara（2013）發(fā)現(xiàn)詞匯成熟度對(duì)于綜合性寫作和無(wú)材料寫作都是一項(xiàng)重要的質(zhì)量預(yù)測(cè)指標(biāo)，而 Kyle & Crossley（2016）的研究卻表明，雖然綜合性寫作能使學(xué)習(xí)者產(chǎn)出更復(fù)雜的詞匯，但包括二元詞語(yǔ)組在內(nèi)的詞匯多樣性和成熟度并不能預(yù)測(cè)這類寫作的質(zhì)量；相反，這兩項(xiàng)指標(biāo)是無(wú)材料寫作質(zhì)量的重要預(yù)測(cè)指標(biāo)。第二，除了 Zhang，Lu & Li（2022），基于體裁因素考察多維度語(yǔ)言特征對(duì)寫作質(zhì)量的預(yù)測(cè)力的研究還不多見(jiàn)。此外，對(duì)議論文與其他體裁的預(yù)測(cè)指標(biāo)進(jìn)行比較的研究也很有限，這限制了相關(guān)結(jié)果的概推性。第三，話題因素如何影響語(yǔ)言特征對(duì)二語(yǔ)寫作質(zhì)量的貢獻(xiàn)度尚待進(jìn)一步探究。

2.3 二語(yǔ)習(xí)得或二語(yǔ)能力發(fā)展視角下的二語(yǔ)寫作語(yǔ)言特征研究

除了文本質(zhì)量評(píng)估的視角，還有研究從二語(yǔ)能力發(fā)展的視角出發(fā)，通過(guò)自然語(yǔ)言處理工具動(dòng)態(tài)追蹤二語(yǔ)寫作語(yǔ)言特征指標(biāo)的變化。需要說(shuō)明的是，上文評(píng)述的一些研究結(jié)合了文本質(zhì)量評(píng)估和二語(yǔ)能力發(fā)展這兩種視角（如 Bestgen & Granger 2014；Abdi Tabari，Johnson & Gao 2024）。Yoon & Polio（2017）等研究則專門縱向分析了學(xué)習(xí)者在 EFL 寫作中某一或多個(gè)維度語(yǔ)言特征的動(dòng)態(tài)發(fā)展情況，還考察了體裁、話題或任務(wù)形式等中介因素對(duì)語(yǔ)言特征發(fā)展的影響。這些研究主要有三個(gè)發(fā)現(xiàn)。第一，隨時(shí)間顯著發(fā)展的語(yǔ)言特征指標(biāo)與同質(zhì)量評(píng)分顯著相關(guān)的指標(biāo)有時(shí)并不一致（Crossley & McNamara 2014），因此，有效的發(fā)展性指標(biāo)并不一定能被假定為衡量寫作質(zhì)量的有效指標(biāo)（Lu 2011）。第二，語(yǔ)言特征的發(fā)展并不一定呈線性上升的態(tài)勢(shì)（Bulté & Housen 2014）。第三，體裁、話題或任務(wù)特征等中介因素對(duì)不同維度語(yǔ)言特征發(fā)展的影響不同，對(duì)詞匯和句法復(fù)雜度

指標(biāo)的影響總體較大（Yoon & Polio 2017）；即便是在同一維度內(nèi)，這些因素對(duì)具體語(yǔ)言特征發(fā)展的影響也不一致，如寫作體裁對(duì)句法復(fù)雜度下從屬或并列子句的發(fā)展就沒(méi)有明顯影響（同上）。需要注意的是，這些動(dòng)態(tài)發(fā)展研究大多以句法復(fù)雜度為焦點(diǎn)，對(duì)其他特征維度的關(guān)注度還不夠。另外，一些動(dòng)態(tài)研究采用了類縱向（pseudo-longitudinal）方法，并非對(duì)同一批學(xué)習(xí)者群體展開(kāi)持續(xù)追蹤，而是通過(guò)不同水平組之間的比較來(lái)模擬二語(yǔ)發(fā)展過(guò)程，這在一定程度上可能影響研究結(jié)論的效度，未來(lái)的研究需要更多地進(jìn)行純縱向研究，以增強(qiáng)結(jié)論的解釋力。

此外，還有研究關(guān)注的是語(yǔ)言特征指標(biāo)的變化或差異對(duì)二語(yǔ)習(xí)得理論的意義。例如，Lu & Ai（2015）通過(guò)對(duì)比不同母語(yǔ)背景的 EFL 寫作者在多個(gè)指標(biāo)上的表現(xiàn)，驗(yàn)證了語(yǔ)言遷移理論；何蓮珍、姜子蕓（2023）通過(guò)考察考生的工作記憶容量差異與寫作文本特征的關(guān)系，進(jìn)一步加深了對(duì)認(rèn)知負(fù)荷假說(shuō)的理解；王麗萍、吳紅云、Zhang（2020）通過(guò)分析不同任務(wù)復(fù)雜度下的文本語(yǔ)言特征，驗(yàn)證了“競(jìng)爭(zhēng)假說(shuō)”和“認(rèn)知假說(shuō)”；還有研究通過(guò)探討二語(yǔ)發(fā)展過(guò)程中寫作文本流利度與語(yǔ)篇銜接性的多維交互（張超、梁文花 2022）以及句法和詞匯復(fù)雜度的發(fā)展（鄭詠滟、馮予力 2017），證實(shí)了動(dòng)態(tài)系統(tǒng)理論的解釋力。此外，一些研究通過(guò)自然語(yǔ)言處理工具聚焦二語(yǔ)學(xué)習(xí)者對(duì)某一特定目標(biāo)語(yǔ)特征的習(xí)得，如定語(yǔ)從句（Alexopoulou et al. 2015）、次范疇結(jié)構(gòu)（Huang et al. 2021）、程度表達(dá)式（Cong 2024）等。總體而言，這些研究展現(xiàn)了自然語(yǔ)言處理技術(shù)在服務(wù)理論探討和驗(yàn)證方面的重要作用。

3. 二語(yǔ)寫作語(yǔ)言特征研究的新進(jìn)展

3.1 語(yǔ)言特征指標(biāo)的拓展

近幾年來(lái)，自然語(yǔ)言處理工具與語(yǔ)言學(xué)理論的深度融合促進(jìn)了二語(yǔ)寫作語(yǔ)言特征指標(biāo)在詞匯、句法和語(yǔ)篇銜接等多個(gè)維度上的創(chuàng)新。例如，在構(gòu)式理論和基于使用的語(yǔ)言習(xí)得理論的基礎(chǔ)上，Kyle & Crossley（2017）提出了以大型本族語(yǔ)語(yǔ)料庫(kù)為參照的主動(dòng)詞詞元出現(xiàn)頻率、動(dòng)詞論元構(gòu)式（VAC）出現(xiàn)頻率、主動(dòng)詞詞元與 VAC 組合的出現(xiàn)頻率、主動(dòng)詞詞元與 VAC 的關(guān)聯(lián)強(qiáng)度這四項(xiàng)句法復(fù)雜度新指標(biāo)。他們發(fā)現(xiàn)，基于使用的句法復(fù)雜度指標(biāo)能解釋比傳統(tǒng)指標(biāo)更多的 EFL 作文得分方差。另外，也有研究同樣以基于使用的語(yǔ)言習(xí)得理論為基礎(chǔ)，但更關(guān)注句法構(gòu)式復(fù)雜度中的產(chǎn)出多樣性。例如 Hwang & Kim（2023）開(kāi)發(fā)了基于依存句法分析的構(gòu)式多樣性分析器，他們的研究表明構(gòu)式的多樣性和特定構(gòu)式的出現(xiàn)比例也能有效預(yù)測(cè) EFL 寫作文本的質(zhì)量。

除了基于使用的語(yǔ)言習(xí)得理論，以依存語(yǔ)法、分布語(yǔ)義等為代表的，本身就基于計(jì)算或自然語(yǔ)言處理的語(yǔ)言學(xué)理論，也為二語(yǔ)寫作的語(yǔ)言特征分析提供了新視角。以依存語(yǔ)法理論為例，它為評(píng)估二語(yǔ)寫作質(zhì)量和分析寫作能力發(fā)展提供了新的句法復(fù)雜度指標(biāo)。Ouyang & Jiang（2017）通過(guò)對(duì) EFL 寫作文本進(jìn)行依存關(guān)系解析后發(fā)現(xiàn)，從初中一年級(jí)到英語(yǔ)專業(yè)研究生九個(gè)不同階段寫作文本依存距離的概率分布較好地反映了學(xué)習(xí)者目標(biāo)語(yǔ)寫作能力的發(fā)展；Ouyang， Jiang & Liu（2022）的研究顯示，相較于傳統(tǒng)的基于句法結(jié)構(gòu)長(zhǎng)度或數(shù)量的復(fù)雜度指標(biāo)，平均依存距離能更好地區(qū)分初級(jí)、中級(jí)和高級(jí)階段的 EFL 寫作文本。另一方面，基于依存關(guān)系類符 / 形符比的句法多樣性指標(biāo)也進(jìn)一步拓展了句法復(fù)雜度的內(nèi)涵（Bi & Jiang 2020）。

語(yǔ)境在意義的生成和理解中起關(guān)鍵作用，基于分布語(yǔ)義的詞向量技術(shù)可以更精準(zhǔn)地識(shí)別多義詞在特定語(yǔ)境下的語(yǔ)義，為二語(yǔ)寫作質(zhì)量分析提供具有語(yǔ)義感知的特征指標(biāo)。例如，Lu & Hu（2022）使用 BERT 模型對(duì)參照詞典中多義詞的例句進(jìn)行詞義向量標(biāo)注，通過(guò)詞向量相似性計(jì)算確定 EFL 作文中多義詞的確切語(yǔ)義，進(jìn)而提出了具有語(yǔ)義感知的成熟詞形符根植比、具有語(yǔ)義感知的成熟詞類符根植比、單個(gè)詞語(yǔ)詞義數(shù)量的對(duì)數(shù)均值這三個(gè)詞匯成熟度指標(biāo)；與傳統(tǒng)的 TAALES 指標(biāo)相比，前兩個(gè)新指標(biāo)與 EFL 寫作得分的相關(guān)性更強(qiáng)。類似地，Lu & Hu（2024）還提出了 34 個(gè)具有語(yǔ)義感知的語(yǔ)篇銜接詞詞形指標(biāo)，如語(yǔ)篇銜接詞詞形的數(shù)量、密度、多樣性等，這些指標(biāo)不僅區(qū)分了某一詞形在上下文中是否真正具有話語(yǔ)銜接功能，還明確了它們?cè)谡Z(yǔ)境中所表達(dá)的特定銜接關(guān)系，如對(duì)比、因果、擴(kuò)展、時(shí)間關(guān)系等。此外，Monteiro et al.（2023）分別利用潛在語(yǔ)義分析

（Latent Semantic Analysis）和 Word2Vec 模型提出了一組基于參照語(yǔ)料庫(kù)中詞向量相似性計(jì)算的情境語(yǔ)義指標(biāo)，用以衡量詞語(yǔ)的語(yǔ)義豐富度和獨(dú)特性。他們的研究發(fā)現(xiàn)，EFL 高分作文中往往較少使用語(yǔ)義豐富度高的詞語(yǔ)，但較多使用語(yǔ)義獨(dú)特性高的詞語(yǔ)。

無(wú)論是上述哪一種新指標(biāo)，其背后都反映了基于認(rèn)知的語(yǔ)言習(xí)得理論（Ellis 1999）的核心思想。該理論強(qiáng)調(diào)學(xué)習(xí)者通過(guò)基于經(jīng)驗(yàn)的統(tǒng)計(jì)學(xué)習(xí)機(jī)制，在具體語(yǔ)境中對(duì)語(yǔ)言輸入進(jìn)行信息加工并形成心理表征，從而為包括語(yǔ)言特征分析在內(nèi)的二語(yǔ)研究提供更為堅(jiān)實(shí)的學(xué)理基礎(chǔ)，不僅“體現(xiàn)了認(rèn)知心理學(xué)的經(jīng)驗(yàn)主義，即通過(guò)觀察和實(shí)驗(yàn)來(lái)探索關(guān)于世界的真理”，也“融合了認(rèn)知科學(xué)家的理性主義，即通過(guò)構(gòu)建數(shù)學(xué)、邏輯或計(jì)算模擬等形式系統(tǒng)來(lái)形成理論”（同上： 22）。從這個(gè)意義上說(shuō)，自然語(yǔ)言處理技術(shù)與語(yǔ)言學(xué)理論完全契合，有力地推動(dòng)了二語(yǔ)寫作語(yǔ)言特征的研究。

3.2 機(jī)器學(xué)習(xí)的深入運(yùn)用

機(jī)器學(xué)習(xí)指一系列基于已知數(shù)據(jù)對(duì)新數(shù)據(jù)進(jìn)行分類的廣泛技術(shù)。近年來(lái)，二語(yǔ)寫作特征研究所涉及的機(jī)器學(xué)習(xí)技術(shù)越來(lái)越先進(jìn)和多樣化，而且機(jī)器學(xué)習(xí)也日益走向前臺(tái)，研究者們不再滿足于僅僅使用現(xiàn)成的文本分析器，而是直接使用各種機(jī)器學(xué)習(xí)技術(shù)創(chuàng)建語(yǔ)言特征指標(biāo)或識(shí)別關(guān)鍵特征。上文提到的 Lu & Hu（2022，2024）、Monteiro et al.（2023）等研究就是典型的例子。又如，Ma， Wang & He（2024）運(yùn)用決策樹(shù)方法，識(shí)別出了能夠清晰區(qū)分“歐洲語(yǔ)言共同參考框架”下不同等級(jí) EFL 寫作文本的 11 個(gè) Coh-Metrix 指標(biāo)，并且找出了每個(gè)決策點(diǎn)上影響分類的指標(biāo)閾值。Latifi & Gierl（2021）使用隨機(jī)森林算法對(duì)大批量作文進(jìn)行自動(dòng)評(píng)分后發(fā)現(xiàn)，不同任務(wù)形式寫作文本的語(yǔ)言特征的信息含量是不同的，如何保留自動(dòng)化評(píng)分中的語(yǔ)言特征不僅取決于寫作文本本身，還取決于題目提示等特征。再如，Tang et al.（2024）通過(guò)結(jié)合多種自動(dòng)化文本分析工具得出的語(yǔ)言特征指標(biāo)與各種常見(jiàn)機(jī)器學(xué)習(xí)算法，比較了這些算法在自動(dòng)評(píng)分上與人工評(píng)分基準(zhǔn)的差異。他們的研究不僅評(píng)估了不同算法的性能，還通過(guò)線性和非線性模型，揭示了文本語(yǔ)言特征與整體評(píng)分及各分項(xiàng)評(píng)分之間的關(guān)系，雖然這一研究針對(duì)的是英語(yǔ)母語(yǔ)寫作，但同樣適用于二語(yǔ)寫作。

作為機(jī)器學(xué)習(xí)中日益發(fā)展的一個(gè)分支，包括大語(yǔ)言模型在內(nèi)的神經(jīng)網(wǎng)絡(luò)模型近年來(lái)也被引入二語(yǔ)寫作特征研究中 2。例如，Crossley & Holmes（2023）比較了三種 EFL 寫作語(yǔ)料的自然語(yǔ)言處理方法在預(yù)測(cè)學(xué)習(xí)者詞匯能力方面的表現(xiàn)，它們分別是基于 TAALES 傳統(tǒng)語(yǔ)言特征指標(biāo)的線性回歸模型，基于 Word2Vec 的分布語(yǔ)義嵌入模型，以及基于 BERT 的語(yǔ)義嵌入深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型。他們的研究表明，BERT 模型在預(yù)測(cè)學(xué)習(xí)者詞匯能力方面表現(xiàn)最優(yōu)。這些研究凸顯了大語(yǔ)言模型在捕捉詞匯使用語(yǔ)境和語(yǔ)義精度方面的有效性。

比起傳統(tǒng)的自然語(yǔ)言處理工具，基于大語(yǔ)言模型的詞性標(biāo)注和句法解析工具已在二語(yǔ)寫作語(yǔ)言特征的研究中展現(xiàn)出優(yōu)勢(shì)，但這些工具的性能還依賴于訓(xùn)練數(shù)據(jù)的數(shù)量和質(zhì)量（Kyle & Eguchi 2024）。Kyle & Eguchi（同上）發(fā)現(xiàn)，在本族語(yǔ)語(yǔ)料訓(xùn)練的基礎(chǔ)上，經(jīng)少量二語(yǔ)語(yǔ)料訓(xùn)練的詞性標(biāo)注和句法解析模型在二語(yǔ)語(yǔ)料的處理上優(yōu)于僅經(jīng)過(guò)本族語(yǔ)語(yǔ)料訓(xùn)練的模型。另外，通過(guò) BERT、 ChatGPT 等大模型還可直接定制對(duì)包括指向話語(yǔ)功能在內(nèi)的語(yǔ)言特征的自動(dòng)化標(biāo)注（Eguchi & Kyle 2024）。因此，對(duì)大模型工具進(jìn)行經(jīng)過(guò)高質(zhì)量標(biāo)注的目標(biāo)語(yǔ)語(yǔ)料訓(xùn)練或微調(diào)，進(jìn)一步提升自然語(yǔ)言處理標(biāo)注的精準(zhǔn)度，可能是今后二語(yǔ)寫作語(yǔ)言特征研究的一個(gè)重要內(nèi)容。此外還有一個(gè)問(wèn)題值得探索。雖然現(xiàn)在大語(yǔ)言模型能較準(zhǔn)確地識(shí)別學(xué)習(xí)者寫作中的錯(cuò)誤（Mizumoto et al. 2024），但如何精準(zhǔn)定義語(yǔ)言準(zhǔn)確度并對(duì)錯(cuò)誤類別分配權(quán)重仍是一個(gè)充滿爭(zhēng)議的問(wèn)題。今后的研究應(yīng)在這方面有所突破，尤其是神經(jīng)網(wǎng)絡(luò)中的“自我注意”機(jī)制可以模擬評(píng)分員根據(jù)錯(cuò)誤的性質(zhì)和上下文來(lái)分配注意力，通過(guò)調(diào)整權(quán)重來(lái)反映這種注意差異。

4. 進(jìn)一步思考與展望

進(jìn)入 21 世紀(jì)以來(lái)，二語(yǔ)寫作語(yǔ)言特征的研究呈現(xiàn)出蓬勃的發(fā)展態(tài)勢(shì)，學(xué)習(xí)者語(yǔ)料庫(kù)為這些研究提供了堅(jiān)實(shí)的數(shù)據(jù)基礎(chǔ)，而自然語(yǔ)言處理技術(shù)的進(jìn)步則為研究提供了強(qiáng)有力的技術(shù)支持。相關(guān)研究在深化理解二語(yǔ)寫作能力各分支構(gòu)念、完善評(píng)分量表、推進(jìn)評(píng)分自動(dòng)化、優(yōu)化診斷性評(píng)估、追蹤二語(yǔ)學(xué)習(xí)者寫作能力發(fā)展軌跡，以及深入理解和驗(yàn)證二語(yǔ)習(xí)得理論等方面都提供了很有價(jià)值的信息。結(jié)合上文的梳理，今后研究的一個(gè)方向是，在已有的研究框架下，通過(guò)更大規(guī)模的學(xué)習(xí)者語(yǔ)料、更標(biāo)準(zhǔn)化的語(yǔ)言能力評(píng)估框架以及更精準(zhǔn)的自然語(yǔ)言處理方法進(jìn)行更多的復(fù)制研究，以進(jìn)一步厘清先前研究結(jié)果的不一致之處，或加強(qiáng)先前研究著力不足之處。更為重要的是關(guān)注如下兩點(diǎn)。

第一，理論框架的突破。當(dāng)前二語(yǔ)寫作語(yǔ)言特征研究大多假設(shè)：寫作質(zhì)量或能力發(fā)展可以通過(guò)可量化的語(yǔ)言特征的線性組合加以預(yù)測(cè)或解釋。然而，這一假設(shè)在很大程度上簡(jiǎn)化了二語(yǔ)寫作能力這一復(fù)雜構(gòu)念。未來(lái)研究有必要突破這種以單向預(yù)測(cè)或解釋為導(dǎo)向的視角，探討各類語(yǔ)言特征在構(gòu)建二語(yǔ)寫作能力中的互動(dòng)關(guān)系及多元協(xié)同機(jī)制。正如 Ortega（2015：91）所言，“我們需要更有力的、包含更多變量并具有非線性特征的思維方式”，“必須在研究設(shè)計(jì)和統(tǒng)計(jì)分析方案的制定中，充分體現(xiàn)這些變量，并捕捉它們之間復(fù)雜的交互作用”。此外，在 CAF 框架尤其是在復(fù)雜性維度上，我們亟須將語(yǔ)言形式特征與其所服務(wù)的語(yǔ)義建構(gòu)和交際功能相連接。形式上的“更復(fù)雜”并不必然指向更高的二語(yǔ)能力（Yasuda 2024），準(zhǔn)確性、流利度和復(fù)雜性等局部波動(dòng)也不能充分反映任務(wù)型二語(yǔ)習(xí)得的本質(zhì)（Lambert & Kormos 2014）。因此，應(yīng)重視研究不同能力階段的二語(yǔ)學(xué)習(xí)者在具體的寫作情境中，如何通過(guò)特定的語(yǔ)言資源完成任務(wù)且達(dá)到交際適切性（communicative adequacy），并追蹤其語(yǔ)言特征指標(biāo)如何隨交際需求和語(yǔ)境適應(yīng)能力的提高而演化。這種以意義和功能為驅(qū)動(dòng)的視角，有望更全面地揭示文本語(yǔ)言特征與二語(yǔ)寫作能力構(gòu)念之間的動(dòng)態(tài)關(guān)系。

第二，技術(shù)范式的更新。機(jī)器學(xué)習(xí)特別是深度學(xué)習(xí)為二語(yǔ)寫作語(yǔ)言特征研究提供了前所未有的建模能力。這些神經(jīng)網(wǎng)絡(luò)模型在捕捉語(yǔ)言使用的上下文敏感性、語(yǔ)義深度和結(jié)構(gòu)復(fù)雜性方面具有顯著優(yōu)勢(shì)。然而，其“黑箱”特性也引發(fā)了學(xué)界對(duì)可解釋性的擔(dān)憂。因此，將反映形式、意義、功能的語(yǔ)言特征指標(biāo)與神經(jīng)網(wǎng)絡(luò)模型相結(jié)合有望逐漸成為研究前沿。這一范式不僅可以拓展二語(yǔ)寫作語(yǔ)言特征的研究范圍，而且借助可解釋人工智能（explainable AI），研究者得以追蹤模型決策路徑，從而將數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè) / 解釋與理論驅(qū)動(dòng)的預(yù)測(cè) / 解釋有效結(jié)合，“助力二語(yǔ)研究者構(gòu)建涉及意義、意圖、推理和語(yǔ)用等維度的二語(yǔ)知識(shí)與發(fā)展模型”（Crossley & Holmes 2023：22），拓展可與基于特定任務(wù)的分析性評(píng)分量表實(shí)現(xiàn)多維互通的二語(yǔ)寫作語(yǔ)言特征指標(biāo)體系。盡管這種結(jié)合可能頗具挑戰(zhàn)，但神經(jīng)網(wǎng)絡(luò)模型的潛力不容忽視，期待大語(yǔ)言模型的應(yīng)用給二語(yǔ)寫作語(yǔ)言特征研究帶來(lái)新的突破。

免責(zé)聲明：原文載于《外語(yǔ)教學(xué)與研究》，2025（4），版權(quán)歸作者所有，如有侵權(quán)，請(qǐng)及時(shí)聯(lián)系刪章。

轉(zhuǎn)載自外語(yǔ)教學(xué)與研究公眾號(hào)