摘要: “第三语码”用以描述一种既不同于源语，也与目的语母语有所区别的翻译语言。本文基于兰卡斯特现代汉语语料库(LCMC)和浙大翻译汉语语料库(ZCTC)中的小说文本建立子库，运用PowerGREP 5.0、AntConc3.5.9和Python等研究工具对小说文本的语言特征进行对比分析。在词汇、句子和语篇三个层面上，我们进一步细分了研究维度。在词汇层面，通过分析词汇的平均长度，词汇复杂度、词汇密度以及高频词的使用情况；在句子层面，比较分析平均句长；在语篇层面，研究了两种文本在连词的使用情况的差异。研究发现，除高频词外，其他词汇层面、句子层面和语篇层面都存在差异。在以往的研究中，发现原创汉语与翻译汉语的差异可能受到不同文体的影响，但在小说的对比研究中，也可能受到不同小说体裁的影响。
Abstract:
“Third Code” is used to describe a translated language that is distinct from the source language and also differs from the target language’s native language. This paper establishes a sub-corpus based on novel texts from the Lancaster Modern Chinese Corpus (LCMC) and the Zhejiang University Chinese Translation Corpus (ZCTC), utilizing research tools such as PowerGREP 5.0, AntConc 3.5.9, and Python to conduct a comparative analysis of the language features of novel texts. We further divide the research dimensions into vocabulary, sentence, and discourse levels. At the vocabulary level, we analyze the average length of words, vocabulary complexity, vocabulary density, and the usage of high-frequency words. At the sentence level, we compare and analyze the average sentence length. At the discourse level, we study the differences in the usage of conjunctions between the two types of texts. The study reveals differences at the vocabulary, sentence, and discourse levels, apart from high-frequency words. Previous research has shown that the differences between original Chinese and translated Chinese may be influenced by different literary styles. However, in the comparative study of novels, they may also be influenced by different novel genres.
1. 引言
Mona Baker于1993年首次论述了语料库语言学与翻译的结合、语料库技术应用于翻译研究的可行性 [1] ，成为语料库翻译学的开端，许多学者开始基于语料库探索翻译研究的实践。学界基于语料库多探讨翻译共性包括翻译的显化、简化和范化 [2] [3] ，译者风格对比 [4] 等相关研究。语料库语言学的工具、技术和方法对大量真实的翻译现象进行描述并从所描述的翻译“自身”的语言特征中寻找到翻译现象所固有的普遍特征 [5] ，也叫翻译共性。翻译共性是指翻译语言作为一种客观存在的语言变体，相对于源语或目标原创语言从整体上表现出的规律性语言特征被称为“第三语码”，既不同于源语，又不同于母语。Laviosa [6] 考察译文与母语在词汇使用上的不同发现译文比母语使用更多的高频词；秦宏武和王克非 [7] 基于汉英双向对应语料库描写和分析英译汉语言的词汇特征，分别从实词、虚词的使用情况探讨英译汉语言的特征。吴俊峰等 [8] 使用14项绝对复杂度和相对复杂度指标对比翻译汉语和原创汉语的句法复杂度差异。这些研究主要考察了翻译语言与原创语言在词汇或句法单一层面的特征，本研究将从词汇、句子层面探讨原创汉语和翻译汉语的语言特征。这些研究从总体上探究了原创汉语和翻译汉语的差异性，不管是词汇还是句法，没有区分不同话题或者文体的影响作用。
细化方向、题材类型能够较少对数值统计的影响。朱一凡和李鑫 [9] 探讨了翻译与原创汉语新闻语料库各词类使用的差异情况，发现翻译汉语相对于原创汉语的使用过多和使用不足现象。小说作为一种文学体裁，因其美学意义和主题意义而与一般的翻译在词汇和句子表达层面发生变化。胡显耀 [10] 探讨了翻译小说的词语特征，基于CCTFC“当代汉语翻译小说语料库”、LCMC“兰卡斯特现代汉语语料库”以及LCMC(N) (LCMC小说体裁部分)三个语料库，研究发现，与同一语言的非翻译文本相比，汉语翻译小说存在倾向于使用更少的词汇、重复使用一定数量的常用词、实词减少等特征。本研究将基于ZCTC原创汉语语料库和LCMC兰卡斯特翻译汉语语料库，选取K-P小说分类建立子库，从词汇、句子和语篇层面展开语言特征的比较分析。
2. 研究方法
2.1. 研究问题
1) LCMC和ZCTC在词汇特征方面是否存在差异？
2) LCMC和ZCTC在句子和语篇层面的语言特征是否存在差异？
2.2. 语料来源
本研究选择兰卡斯特现代汉语语料库(Lancaster Corpus of Mandarin Chinese, LCMC)、浙大汉语译文语料库(ZJU Corpus of Translational Chinese, ZCTC)，来对比翻译英语与对应的非译文汉语的语言特征。LCMC是英国兰卡斯特大学的Tony McEnery和肖忠华在2003年建成的原创汉语语料库，约一百万词，其中有500篇字数约为2000词的文本，文本内容包含15种类别，语料为1989到1993年中国大陆的出版物，语料库采用ICTCLAS 2008 进行分词和词性标注，分词精度达98.13%，词性标注精度达94.63% [11] 。ZCTC是按照LCMC的模式建立的，其在文本分类、数量、词数方面基本一致。LCMC和ZCTC可以为研究提供样本量大致均衡的语料库，使对比研究更具可信度。从两个语料库中分别挑选编码为K-P (一般小说、侦探小说、科幻小说、武侠传奇小说和爱情小说)小说类文体，分别有117篇。
2.3. 研究工具
该研究主要使用PowerGrep5.0、AntConc 3.5.9和Python进行数据统计和分析。
3. 结果
3.1. 词汇层面
在词汇层面的分析主要从平均词长、词汇复杂度，词汇密度和高频词几方面展开。
3.1.1. 平均词长
词长是指语料库中各种长度词的频数，平均词长指文本中词汇的平均长度，可以体现文本的正式程度，具体表现为正式程度越高的文本平均词长的数值越大，而口语化程度越高的文本平均词长越小 [12] 。根据“表1”统计结果，我们可以看出ZCTC语料库小说题材的平均词长略高于LCMC语料库中小说体裁平均词长，翻译汉语的正式化程度较高，原创汉语的口语化程度偏高(Python部分运行代码见“图1”)。
Figure 1. Python code for computing average word length
图1. Python计算平均词长部分代码
Table 1. Average word length table of LCMC and ZCTC
表1. LCMC和ZCTC平均词长表
3.1.2. 词汇复杂度
TTR (类符/形符比)在语料库学和文本分析中被广泛应用，是了解文本特征的一个重要参数。类符是指语料中所存在的不同的词汇，型符是指语料的总数量。“类符/形符比(TTR)”表示相同长度的句子中含有的不同的词汇的数量，一般被用来衡量语料的难易程度。比值越大，说明语料中的词汇种类就越多，表达越丰富，词汇的复杂度就越高；比值越低，则说明语料中可能语言模式比较简单，多使用一些重复的词汇。词汇多样性越少，复杂性就越低。根据“表2”，可以发现LCMC小说题材文本的TTR数值高于ZCTC小说体裁的TTR数值。由此可见，原创汉语的词汇表达更加丰富，词型变化多，可见原创汉语的词汇复杂度更高。而在小说文本中，不同的小说类型TTR数值也不相同。在LCMC语料库中，词汇复杂度整体排名为侦探小说 > 爱情小说 > 武侠小说 > 一般小说 > 科幻小说；在ZCTC语料库中，词汇复杂度整体排名为武侠小说 > 侦探小说 > 科幻小说 > 一般小说 > 爱情小说。
STTR (标准化类符/型符比)也是用来反映文本词汇丰富度和信息含量的度量标准，这个比值反映了文本的词汇多样性，即文本中词汇的丰富程度。STTR能够减弱比文本长度差异的影响，该研究中计算了每1000词的类符/型符比，统计结果如表一所示。我们可以发现，忽略文本长度的差异，LCMC的标准化类符/型符比(52.41)却低于ZCTC (54.29)，却与之前的研究结果出现不一致。原创汉语语料库中，侦探小说STTR最高，而爱情小说STTR最低；而翻译汉语语料库中武侠小说STTR最高，一般小说STTR最低。这可能是小说类型的影响，一些小说类型保留文学特征的原因，用词更加丰富，追求多样化的表达方式，一切类型比较接近生活，表达比较简单(Python计算词汇复杂度部分运行代码见“图2”)。
Table 2. Statistics of genre tokens, type tokens, TTR, and STTR of LCMC and ZCTC novels
表2. LCMC和ZCTC小说体裁类符、型符、TTR、STTR统计表
Figure 2. Python process for computing genre tokens, type tokens, and STTR
图2. Python计算类符、型符和STTR部分过程
3.1.3. 词汇密度
词汇密度一般用公式Lexical Density(LD) = (content words/total token) * 100来表示，即实义词占型符的比重。Ure [13] 认为词汇密度应该是由单位文本中实词数量在文本总词数的比例来确定，实词数量越多，文本的词汇密度就越高。文本密度越高，意味着文本中含的信息量就越高。在统计中把名词、动词、形容词、副词、数、量词六个具有稳定词义的词类称为实义词 [14] 。本研究所采用的两个语料库均使用ICTCLAS 2008标注词性，根据词性赋码，运用PowerGREP软件通过运用正则表达式统计实义词的频率和总次数来计算词汇密度，统计结果如下表所示(见“表3”)。
Table 3. Vocabulary density table of genre in LCMC and ZCTC novels
表3. LCMC和ZCTC小说体裁词汇密度表
经过词汇密度统计，可发现1) LCMC原创汉语小说体裁中的总体词汇密度(49.5%)要大于ZCTC翻译汉语的小说词汇密度(46.7%)，说明原创汉语小说使用更多的实义词，信息量比较大，难度也会稍微增加；2) 通过小说题材中不同主题的小说类别词汇密度对比，不管是一般小说、侦探、科幻、武大还是爱情小说，LCMC原创汉语的词汇密度都比ZCTC翻译汉语中的词汇密度要大。3) 爱情小说(P)在两个语料库中的词汇密度都是最低。
3.1.4. 高频词
本研究分别利用AntConc 3.5.9和PowerGREP统计了LCMC和ZCTC中小说文本排名前20的高频词(见“表4”)，如下表所示，我们可以发现前20的高频词都是单字词，虽然排序有略微差异，但是基本都是“的”、“着”、“了”、“你”、“我”、“她”等人称代词和助词，以及少量的动词(如“是”、“有”)和介词(如“在”)。通过分析其高频词的占比，我们发现翻译汉语小说中高频词的占比更高，说明翻译汉语小说中高频词重复使用的次数更多。
Table 4. Top 20 high-frequency words in LCMC and ZCTC
表4. LCMC和ZCTC高频词表(Top 20)
3.2. 句子层面
在句子层面，该研究主要讲两个语料库的平均句长做比较分析。平均句长与文体差异有很大的关系 [15] ，所以我们很难从整体上把握原创汉语和翻译汉语在平均句长上的差异性。所以本研究通过确定小说这一体裁，探究同一文体中原创汉语和翻译汉语在平均句长上的差异，将其他问题对研究的差异降低。本研究选取LCMC和ZCTC语料库运用Python运行结果如下(见“表5”) (Python计算平均句长部分代码见“图3”)。
肖忠华、戴光荣 [14] 在之前的研究中计算出LCMC和ZCTC在15~20之间，但本研究确定了文体，发现小说体裁的平均句长高于整个语料库中总体的句长，也验证了平均句长受文体影响的假设。汉语原创小说的平均句长高于翻译小说的平均句长。再从不同的小说类别观察，两个库中武侠小说平均句长最长，爱情小说平均句长最短，在汉语原创小说中，科幻小说平均句长与武侠小说平均句长一同居于最高。从平均句长的研究结果来看，平均句长可能受到小说体裁、小说类型、难度的影响。
Table 5. Top 20 high-frequency words in LCMC and ZCTC
表5. 平均句长表
Figure 3. Process of calculating average sentence length
图3. 平均句长计算过程
3.3. 语篇层面
表达各种逻辑关系的连接成分可看作语言形式化和显化程度的标志之一 [16] 。已经有学者基于语料库研究出翻译汉语文本比原创汉语文本中使用更多的连词 [6] [14] ，支撑了翻译显化共性的假说。但是连词的使用和文体也有一定的关系，不同文体之间连词使用可能存在差异，本研究在语篇层面主要探究了原创汉语与翻译汉语小说中连接词使用的差异。
经统计发现(见“图4”)，在小说题材翻译汉语连词使用了5133次，原创汉语连词使用3839次，ZCTC小说文体连词使用高于LCMC小说中连词使用，这也和之前学者研究的结果一致，这可能也证明了小说体裁中翻译连词的显化。该研究统计了各种类型小说连词平均使用情况(见“图5”)，可以观察到，除了在科幻小说中，原创汉语的连词使用高于翻译汉语，而其他几种类别中，翻译汉语的连词使用都高于原创汉语(Python计算连词数量部分代码见“图6”)。
Figure 4. Usage of conjunctions in genre of ZCTC and LCMC novels
图4. ZCTC和LCMC小说题材中连词使用情况图
Figure 5. Average usage of conjunctions in different genre of LCMC and ZCTC novels
图5. LCMC和ZCTC不同小说类型中连词平均使用情况图
Figure 6. Python process for calculating conjunctions
图6. Python计算连词的部分过程
4. 结论
通过对原创汉语与翻译汉语小说文体从词汇、句子和语篇层面的统计分析，结果发现，单从小说来看原创汉语与翻译汉语的语言特征可能与基于整体语料库考察的结果并不一致，这可以说明其语言特征受到文体的影响。在词汇层面，该研究从平均词长、词汇复杂度、词汇密度、和高频词使用来分析：1) 翻译汉语小说平均词长 > 原创汉语小说的平均词长，说明翻译汉语小说的正式化程度更高；2) LCMC小说题材文本的TTR数值高于ZCTC小说体裁的TTR数值，原创汉语小说词汇更加丰富、多样，词汇复杂度高；3) 但经过标准化的数值(STTR)结果出现不一致，LCMC的标准化类符/型符比(52.41)却低于ZCTC (54.29)；4) LCMC原创汉语小说体裁中的总体词汇密度(49.5%)要大于ZCTC翻译汉语的小说词汇密度(46.7%)，原创汉语小说的实词使用相对较多，信息量较大；5) 通过分析其高频词的占比，我们发现翻译汉语小说中高频词的占比更高，说明翻译汉语小说中高频词重复使用的次数更多。但主要都是助词、人称代词，动词主要有“是”、“有”、“到”等，量词“一”等。在句子层面上，研究发现：1) 汉语原创小说的平均句长高于翻译小说的平均句长；2) 武侠小说在两个库中平均句长最长，爱情小说平均句长最短。在语篇层面上主要考察的连词在原创汉语小说和翻译汉语小说的使用情况，发现：1) 总体上看，ZCTC小说文体连词使用高于LCMC小说中连词使用。这也和之前学者研究的结果一致，这可能也证明了小说体裁中翻译连词的显化。2) 只有在科幻小说中，原创汉语的连词使用高于翻译汉语。总的来说，原创汉语和翻译汉语的比较在同一文体中进行，可比性才能提高，其语言特征更聚焦。