CORPUS / 生态语料库
先界定问题，再积累语料。
以生态话语或可持续旅游为演练方向，组织来源清楚、跨语可比且可以复现的小型语料库。采集、处理和解释都留下记录。
6 小时 · 3 次课
一份语料库设计蓝图、一套处理记录和一份分析小样。
设计建议WORKFLOW / 实践流程
每一步，都有明确的输入与产出。
- 01
问题与抽样
明确语种、时期、地域、体裁及纳入排除标准。
子库设计与抽样依据 - 02
来源与权利
核对许可、平台条款、个人信息与使用范围。
来源许可记录 - 03
采集与清洗
保存原始材料，记录正文提取、去重和异常。
元数据与清洗日志 - 04
分语言处理
中文分词与阿语规范化、词形处理分别质检。
规则与抽样复核 - 05
检索与解释
探索关键词和共现，回看上下文及相反证据。
例句与分析小样 - 06
归档与复现
连接数据版本、脚本、图表和结论限制。
可复现说明
01
保留最小可用元数据
从第一份材料起就保存来源。不要等分析完成后再追补许可和处理信息。
- doc_id、标题、URL、采集日期、语种与地域
- 体裁、时期、子库、许可、允许用途与再分发限制
- 原始文件、哈希、处理版本和复核人
02
跨语比较说明不可比项
中阿文本的体裁、采样时期、词形和概念边界可能不同。翻译后的词频不能自动视为可直接比较的测量。
- 保留原文、翻译来源和术语映射
- 主题模型或 LLM 标签只是探索线索
- 双人抽样复核，记录真实比例与分歧处理
EXERCISE / 案例演练
把方法放进具体的学科问题。
生态话语案例
演练：政府、媒体或目的地文本如何表述生态价值？分别建立可比较子库。
分析输出案例
展示一组回到原文的例句、方法说明和结论限制；小样不冒充完整研究结果。
RELATED LESSONS / 关联课程
按课次继续实践。
官方文档与参考入口
供了解工具或规范使用；具体版本、许可证与适用范围仍需核对。