《多语参杂语码转换信息论、词汇空缺补偿与单语种等效精准表达母典》各章定量结论
关于多语参杂,流行着三条说法:夹杂外语是语言能力差、偷懒;夹进来的词只是随机习惯,没有信息量;必须写纯中文或纯英文时,只能接受精度损失或翻译腔。本书逐条检验。第一条被证伪:转换点守着两套语法的等价约束与基质语框架,随机换语言会以 0.5714 的概率破坏语序,自然语料却很少违约,句内转换最常见于两种语言都流利的说话人。第二条也被证伪:转换点偏向母语词难以预测、信息量高的位置。核对原文之后,本书做了蓝图修正:已发表研究显示,转换点上插入的英文词比同义中文词更难预测,嵌词本身通常并不省比特;本书因此改按码长加剩余歧义的总账记嵌词收益,并指出转换与惊异度的关联也可能来自认知负荷。
DOI 待发布 · 专著页正式发布后上线(本站暂无专著页) · 5DL-B-381 · English version
- 第 1 章 · 不是偷懒:转换点守着两套语法
这组数字给出偷懒假说的一个直接推论。假如说话人在随机位置换语言,每一次转换违反等价约束的概率就是 0.5714。一份收录 200 次转换的语料,随机模型预期约 114.3 次违规。波普拉克报告的情形恰好相反:她的语料里,违反约束的转换极少。程序最后一行把这件事写成似然比:假设观察到 2 次违规,守约模型容许百分之一的偶发失误(eps 0.01),两种模型的似然比取以十为底的对数是 68.5。这不是一个接近的比赛。 - 第 2 章 · 转换点的信息量:惊异度、词长与信息均匀
迂回表达总长 16 个音节,峰值 2.67 比特,方差只有 0.10,没有任何音节超出容量。嵌入词把总长压到 12 个音节,总信息量 35.00 比特,略低于迂回表达的 36.00 比特,可峰值升到 7.50,方差升到 4.20,超出容量的部分合计 5.00 比特。平方代价(信息均匀理论惩罚峰值的一种写法)从 82.67 升到 152.50。 - 第 3 章 · 比特账与词汇空缺度
修正后的比特账把码长与剩余歧义加在一起。在示意参数下,六个空缺词里有两个嵌入后码长更长,可总账上五个更省,只有一个更贵;省下的比特从 +1.33 到 +7.22 不等。空缺度可以用最近邻词的特征失配率来量,但空缺深浅与嵌词收益并不同步,还要看最近邻词周围有多少相似概念。语言各自在简单与精确之间取舍,空缺因此而生;双语者借用另一种语言的分类边界,就能把意思切得更细。 - 第 4 章 · 听众覆盖率阈值:嵌词何时变成解码失败
嵌词收益有条件:认得的人要足够多。把单语、嵌入、嵌入加注释写成覆盖率的三条成本线,在示意参数下,嵌入与单语打平的阈值 p* 在即时聊天里从 0.789 到 0.952,在书面私讯里从 0.844 到 0.967;精度账为负的词,不论覆盖率多高都不划算。注释只在少数词上有一段过渡窗口。读者不发问时,失败会变成看不见的误读,其风险随覆盖率下降线性上升。各地区分页面值得嵌的词,合成一张混合页面后可能全部跌破阈值。 - 第 5 章 · 嵌词密度上界与语域信号
嵌词密度不是开关,而是连续量。语域收益边际递减,可读性损失加速上升,解码失败成本与密度和不认得的比例成正比;在示意参数下,覆盖率 0.95 时最优密度为每百字 2.16 个、上界 5.10 个,覆盖率不高于 0.50 时完全不该嵌。嵌词携带的语域信号可以用互信息量,在合成表里它只消除了语域不确定性的一小部分。按单条消息的可靠性要求,允许的密度比平均最优低得多,一对一私讯应取两者中较小的一个。 - 第 6 章 · 单语构式等效:不嵌词也能精准
第三条流行说法认为,写纯中文或纯英文时只能在精度损失与翻译腔之间二选一。翻译学的非对等策略、动态对等与间接程序,加上构式语法关于构式自身携带意义的论证,给出第三条路:在短语层面重组。把精准写成特征覆盖率之后,示意例子里三个空缺概念都能用 4 到 12 个单位的单语构式达到 0.80 的覆盖率;穷举搜索给出的骨架比贪心与手写候选更短;重组版的翻译腔标记可以降到零。代价是长度,换来的是人人都懂。 - 第 7 章 · 原典考辨:严复三难、孔子正名、哲罗姆意译与施莱尔马赫两条路
七种译法里,帕累托意义上不被别人全面压过的有四种:直译、借义复合、全覆盖构式与直接嵌入。逐词硬译(word-for-word)在三项上都不占优:「信」0.800,「达」只有 0.587,「雅」只有 0.40,被语用标记移位的构式全面压过。直接嵌入的「达」是 0.767,「信」却只有 0.820,因为一成多读者不认得这个词。按严复规则,「达」过了 0.6 线的译法里,「信」最高的是全覆盖构式 hyper+,「信」1.000、「达」0.6… - 第 8 章 · 实战工具与检查器规格:嵌词台账、四件套检查器与预注册检验
第八章给出嵌词台账、四件套检查器规格、蒸馏小工具「多语嵌词净收益与单语构式等效试算器」与预注册检验。书中参数为示意,全部计算由书中程序生成,不对应任何真实客户、对话或成交;马来语、闽南语、粤语、英语、华语一律平等对待。本书不是语言学定论,也不构成针对个人或企业的经营建议。书中以标注框区分已发表的证据、可运行的 Python 计算(23 段程序)、原典与作者的假说。
模型示意算例,非实时报价