1. 定义
David Cystal: 作为语言描写的起点; 用作语言研究的数据，来验证已有的假设。
John Sinclair: 语料库是真实的自然语言，但是需要严格的设计和取样（不是随意堆积的）。
Tony McEnery, 肖中华：机器可读的、真实语言（书面或口语），经过合理取样，具有较佳代表性的文本集合。
2. 类型
通用语料库：代表语言的整体，体量较大，题材丰富（综合大超市）
专用语料库：某个领域/语体的语言
学习者语料库：外语学习者产出的语言（中介语），观察特点，反馈教学
历时语料库：语言根据时间的变迁
平行语料库：两种语言完全对应（主要用于翻译研究）
可比语料库：语言变体之间的研究
词目
词族
词簇
power conc
加载语料-N-gram list-count-设置length-count
editpad pro 查看调试正则表达式
pattern builder 辅助编写正则表达式
antconc 和power conc 检索正则表达式
1. 正则表达式的标注软件
2. 正则表达书辅助编写（相当于检索对应的正则表达式怎么写）
3. 有了正则表达式，就可以进行检索
（1）antconc
（2）powerconc
复杂检索的两种类型
1. 正则表达式 大范围限定（某一大范围内的）检索
2. 词性赋码集
如何看正则表达式的效果：edit pro
optiona-configure file types-text documnt-editor-edit-courrier new-colors and ...-customize-高亮取消下划线
索引 （concordance）
索引行（concordance lines）
检索词/节点词（search word/node）
操作技术
技术：索引、索引行分析、索引行整句保存、节点词挖空
步骤：前面一样 输入词汇，点击search，点击sort是自定义排序
点击simple sort 是简单排序
l1 指的是按照左侧第一个词字母排序
r1是按照右侧第一个词字母排序
重新点击loop 在选择就是重新排序
可以设置多级排序：settings-concordance-第一级排序-第二级排序-一共五级排序
再点击sort
就是按照刚刚设置的方式排序，就用sentence collector 软件
选用语料-选用sentence collector-
如果是要观察完整的一句话，就用
频数
频率：标准化的频数= 频数/库容 *1000（可更改）
bfsu-files-选择打开-右侧设置区域stats，取消punctuation-左上角concordance-文本框输入词汇后检索-stats-显示总频数
之后勾选最上面的distribution-点击table
save 保存-复制到excel 去计算频率
多词检索前面步骤 一直到concordance
选择batch- load list - 后面步骤一致
(基本概念
1. 形符 token（词的数量）
2. 类符 type（不重复出现的词）
3. 形次比 = 类符/形符*100%
形次比与 词汇密度（le*cal density ）及词汇丰富度（le*cal richness）相关
4. 标准形次比 STTR 每千词形次比的均值
+++++形次比越高，词汇越丰富
使用软件：wordSmith
wordlist-file-new-选择文件-ok-make a wordlist now-下方菜单statistics
2语料库应该经过严格的设计和取样，应该是基于自然的语言
机器可读
真实语言
取样合理
代表性佳
语料库类型
1、 通用语料库
2、专用语料库
3、学*者语料库
4、历时语料库
5、平行语料库（涉及到原文和译文）
6、可比语料库
频数
频率是标准化的频数，公式为频数/库容*1000（或者100也可以根据容量gai）
复杂概念简洁清晰易懂；使用类别手法，在今后的教学中可以借鉴；
chapter 2
形符和类符
判断某个差异是否到达显著性水平：
卡方检验（chi-square test）
库容：自变量
频数：因变量
常用检验方法：
对数似然率检验（loglikelihood test）
效应量（effect size）
词性标注（part-of-speech tagging, POS tagging）
TreeTagger（多语种，多系统，免费）
AntConc（支持多语种）
元字符（metacharacter）：有自己特殊的表达意义，不匹配真是的字符。
.
l
逻辑符号：
\ 转义符： \s \S \+
( )作为一个整体： \b（are|am|is）\b
[ ]取值范围：[abc], [a-z], [1-9]
计量符号：
?有或者无（0或者1）：top?(p可有可无）
*重复0次或更多
+重复1次或更多
频数：100
频率：标准化的频数=频数/库容*1000（1000可变）
lemma：词目，不包括派生词
word family：词族
word clusters：词簇
Antconc: word list,,start; tool preference, lemma, apply, start; tool preference, use GSL
Taxsego词云
P柏拉图：变化 不可靠 真理 理想模型 回溯
自上而下 理性演绎
乔姆斯基：在沙发中思考的语言学家
A亚里士多德：现实 经验世界 归纳真理
自下而上 经验归纳
实地语言学家
文章：梁茂成 《理性主义、经验主义与语料库语言学》
