挖掘120萬詞！中科院發布首個漢語兒童自發言語數據庫

探索宇宙奧秘 · 理性思考

想象一下，你試圖通過分析莎士比亞全集來研究現代人的聊天習慣，結果會如何？大概率是風馬牛不相及。

就在最近，中國科學院心理研究所的研究團隊干了一件“笨功夫”，卻解決了一個大問題。他們發布了一個基于大規模自發言語的漢語學前兒童詞匯數據庫（CPCSLD）。這項成果近日已發表在心理學權威期刊《行為研究方法》上。

語言學界一直有一個共識：學前階段是兒童詞匯量暴漲的關鍵期。但是，要精確測量孩子到底能“說”多少詞，難度極大。

過去的研究，大多基于“輸入性材料”。比如，統計孩子讀的繪本里有多少詞，或者分析成人常用的詞匯有哪些。這種方法雖然省力，但只能反映孩子的“理解能力”。孩子能聽懂“復雜”，但他嘴里蹦出來的可能只有“難”。

這就導致了研究數據的失真。我們需要知道孩子在實際交流中，到底產出了什么詞匯，頻率如何，結構怎樣。

中科院心理所的團隊這次沒有走捷徑。他們直接盯著孩子的“嘴”。他們收集了北京地區648名3至6歲兒童的自發言語。這不是簡單的錄音，而是基于同伴對話情境下的自然流露。

語料內容極其豐富，涵蓋了旅行、玩具、圖書、動畫等貼近生活的主題。最終，他們構建了一個包含約120萬詞次、21372個不同詞條的龐大數據庫。這是首個專門面向漢語學前兒童“表達性詞匯”的數據庫。

這個數據庫的含金量，首先在于它的“顆粒度”非常細。

研究團隊按照幼兒園小班（K1）、中班（K2）及大班（K3）三個年齡段，分別構建了子數據庫。這意味著，我們可以清晰地看到孩子語言成長的每一個腳印。

數據揭示了一些有趣的規律。隨著孩子年齡增長，他們嘴里冒出的多音節詞比例越來越高。這說明，孩子的詞匯結構正在變得復雜，他們不再滿足于簡單的單詞表達，開始嘗試更復雜的句式和組合。

此外，數據庫還系統性地提供了詞頻、詞長、詞類、音節頻率等指標。特別是對于漢語這種聲調語言，數據庫還區分了1147個帶聲調音節和400個不帶聲調音節。

這些細節至關重要。它讓研究者不僅能看到孩子“說了什么”，還能看到他們“怎么發音”。對于漢語兒童語言發展研究而言，這提供了一把精準的尺子。

為了驗證這個數據庫的成色，研究團隊做了一項關鍵的對比測試。

而在語義判斷任務中，CPCSLD的優勢就不那么明顯了。這反向證明了之前的假設：理解性詞匯和表達性詞匯在大腦里的存儲和調用機制是不同的。

這個發現讓心理學界“懂了”：只有基于真實口語產出的數據，才能真正捕捉到言語產生過程中的關鍵特征。以前的那些“替代方案”，確實存在偏差。

放眼全球，兒童語言數據庫的建設已有幾十年歷史。英語世界有著名的CHILDES等系統，積累了海量數據。相比之下，漢語由于語言結構的特殊性，相關基礎數據一直比較匱乏。

以前，國內學者研究漢語兒童語言，往往不得不借用英語的研究范式，或者使用規模較小、標注粗糙的語料。這就像是用外國的尺子量中國的布，總歸是不貼切。

中科院這次發布的數據庫，標志著中國在心理語言學基礎數據建設上實現了重要突圍。這不僅是一個數據集，更是研究基礎設施的升級。

它的應用前景極為廣闊。在臨床領域，它可以幫助醫生建立標準化的常模，用于語言發育遲緩、自閉癥等障礙的早期篩查。如果孩子的詞匯產出數據明顯低于同齡人的數據庫標準，就能及早發現干預。

在人工智能領域，這個數據庫也是寶藏。目前的語音識別系統大多基于成人數據訓練，對“童言童語”的識別率一直不高。有了這個數據，訓練出能聽懂小朋友說話的AI將不再是難事。

從基礎的詞匯統計，到揭示認知機制，再到服務臨床與AI，這項研究真正做到了“一葉知秋”。它讓我們看到了中國科學家在基礎研究領域深耕細作的成果，也為理解人類語言習得的普遍規律提供了珍貴的“漢語視角”。