大數據是近年興起的概念,大體上是指通過一系列精煉、提取、分析,從龐雜、無序、多維的信息中獲取情報的一種方法。大數據研究讓我們有能力駕馭海量信息,使得以往變化莫測、捉摸不透的自然、社會現象,變得模式凸顯,有章可循。這不僅讓許多科學猜想獲得實證檢驗的機會,也極大地加速了新理論、新假說的產生。
語言學領域的大數據研究最吸引人的領域是自然語言處理。通過數學統計和機器算法,可以讓機器學習人類的語言使用,從大量語言信息中搜尋有規律、重復出現的模式,并不斷讓機器識別、記錄和改進這些模式,以實際應用于人工智能的諸多領域。此項突破在人類語言應用方面前所未有。語言大數據研究另一個重要領域是理性主義研究。這類研究通常帶有一定的理論預設,通過大規模語料的分析和計算,找出字、詞、句在歷時和共時上的分布規律,從而為社會語言變遷、語音語法演變、語言共性規律、語言類型學劃分等研究提供一定的實證支持,是一種較為科學的描寫性分析。
在當前大數據風起云涌的時代,秉持此研究理念的學者堅信這種研究方法開啟了一次重大的時代變革,甚至提出“要相關,不要因果”的口號。那么,語言研究者是否應該傾力研究諸多“變量”之間的相關性,而無須考慮事物之間的因果關系呢?既然我們有了精深的統計知識和機器算法,可以在機器翻譯、語音識別、語言共性規律等方面取得以往不可能實現的成就,那么我們還需要各種探索因果關系的理論嗎?換言之,如果機器可以按自己的“思維”方式實現人類語言的交際功能和研究人類語言的功能,我們何必花時間探索語言背后的哲學基礎?何必思考語言現象內在的因果關系?
答案顯然是否定的。筆者認為,人類對因果關系的渴求受到與生俱來的好奇心驅動,是人類獨特的理性力量。不管是“小”數據年代,還是大數據時代,人類都樂于對事物之間的關聯作出判斷,理性地探索那些最本質的因果關系。大數據固然有助于人們在這方面的探索,但人們不可能靠它一勞永逸地解決所有問題。這是由大數據本身的性質所決定的。
大數據 “大”的原因有兩方面:一方面是在同樣的參數、變量的情況下,盡可能增加觀察、記錄的次數,從而擴大數據規模;二是在同一次觀察、記錄中,盡可能地增加參數、變量的數目,也同樣能擴大數據規模。在現實研究中,這兩個因素經常同時相互起作用。然而,數據規模雖可無限擴大,但仍非決定人們因果推斷能力的根本因素。問題不妨這樣看:隨著觀察次數增加,基于某個統計模型的估計值,其精確度就有可能不斷提高。然而,問題在于是否觀察次數越多,這個模型就可以自動消除因為某個變量缺失而帶來的計算偏差。舉個簡單的例子:假設在一座城市有甲、乙兩家醫院,通過數十年不間斷的數據收集,我們發現在去過兩家醫院的患者中,甲醫院死亡率非常高,而乙醫院死亡率很低,那么,我們是否就可以得出甲醫院差,而乙醫院好呢?答案是否定的!因為我們忽略了一個重要的外生變量,即甲醫院級別更高,收治了更多病情嚴重的病人;而乙醫院級別較低,只能治療一些小病。這就是統計學上所謂的“遺漏變量偏差”。可見,即使我們積累了數十年多次觀察的數據,仍可能未觸及最根本因果問題。因此,解決問題不在于大數據的“大”,而更在于是否在數據采集和統計模型選擇時有較高層次的理論指導。
另一方面,如果說增加觀察次數并不會實質提高發現因果關系的可能性,那么是否可以在同一次觀察、記錄中,盡可能增加相關參數、變量的數目、種類,來改變這種狀況?此想法看似合理,但仍不完全可行。雖然通過各種復雜精妙統計學方法,可以把復雜的數據降維,得出有價值的線性回歸模型;姑且不論隨著變量增加,是否對統計模型產生影響,最核心的問題還在于這樣的研究存在一個前提假設,即觀察、記錄的變量必然包含了能夠引發因果關系的所有變量,但事實往往并非如此。舉例來說,2015年,美國邁阿密大學的凱萊布·埃弗里特(C. Everett)及其同事考察了3700多種語言,其中629種語言有復雜的聲調,通過獨立樣本檢驗,他們發現聲調類型復雜的語言更多出現在氣候濕潤的地區,而聲調單一或無聲調的語言更可能出現在氣候干燥地區。埃弗里特提供的解釋是干燥的空氣容易使得發音器官脫水,降低聲帶彈性;在氣候干冷的環境下,發出復雜聲調比在溫潤的環境下要困難得多。這種因果推斷似是而非,但頗受歡迎。
僅一年后,荷蘭內梅亨大學的杰里米·柯林斯(Jeremy Collins)就針對這篇文章的結論提出嚴重質疑。他認為,由于人類語言大多聚集在氣候濕潤地區,埃弗里特及其團隊所謂的“隨機樣本”很可能是取自同一個氣候濕潤的地區。這些地區聚集著為數眾多的語言,它們之間還可能具有親緣關系,而就是這個“親緣關系”的變量被埃弗里特及其團隊忽略。事實上,荷蘭的柯林斯通過另外一種數據收集方法(在同一個語系隨機選取一個語言,然后在該語系譜系樹中再隨機選取其他語言),得出語言接觸是重要的干擾因素,可以在全球范圍內產生聲調與氣候濕潤積極關聯。柯林斯認為,語言接觸、語言的地理分布,甚至地理地貌特征均是干擾聲調和氣候相關性的因素。雖然美國埃弗里特研究了近半數的人類語言,但由于沒有考慮這些因素,因此他們的結論并不可靠。漢語是有調類語言,也引起了國際語言學家的廣泛關注。橋本龍太郎(Hashimoto Riotaro)很早就指出,漢語越往南的方言,調類越多,而越往北的,調類越少。北方漢語之所以調類少,是受了阿爾泰語的影響。那些侵入中原地區的族群,受漢族影響,改用漢語,但他們講的漢語僅保留了有限聲調類型。當前漢語與阿爾泰語接觸的最前沿是蘭銀官話,只有兩三種聲調,而與粵語相鄰的方言則聲調類型豐富。可見,如果缺乏對社會、文化、歷史以及類型學理論知識的把握,大規模數據的研究并不總會產生有價值的科學發現,甚至會得出誤導性的“虛假相關”。這足以引起警惕。
我們認為,大數據的“大”并不足以改變人們因果推理的能力。本質上,我們仍然需要一個堅實、強大的理論來指導我們收集數據和設定模型。人類不會也不可能一勞永逸地僅依靠機器實現從提出假說到實踐檢驗的全過程。一些學者提出“只要相關,不要因果”的口號其實是針對大數據研究中找出可復現模式的能力而言的。但是,語言學研究和其他科學研究一樣,并不是僅找尋相關性和可復現模式的活動。語言研究者需要保持好奇心和批評性思維,特別是追求根本性因果關系的決心。只有這樣,才是大數據時代語言學研究發展的正確方向。
(作者單位:上海外國語大學語言研究院、中國外語戰略研究中心)
京公網安備 11010502049343號