1 引言

北京外国语大学启动GLOBE语料库项目，旨在为101个语种建设平衡语料库，arGLOBE语料库为该项目的阿拉伯语子库，设计规模100万词，文本主要来自2010—2022年。

2 面向阿拉伯语的语料库建设简述

阿拉伯语传统语法研究中，语料库语言学思想历史悠久，如西伯威在《西伯威书》中使用真实语料。现代阿拉伯语语料库建设起步较晚，但已取得进展。现有电子化语料库包括通用语料库、方言语料库、历时语料库、学习者语料库、专用语料库和平行语料库等类型。尽管如此，阿拉伯语书面语平衡语料库建设仍需推进，现有语料库间可比性不足。arGLOBE语料库采用布朗语料库采样模式，旨在构建可比的阿拉伯语书面语平衡语料库，促进多语种对比研究。

3 arGLOBE语料库的创建

arGLOBE语料库是一个基于布朗语料库采样方案构建的当代阿拉伯语书面语平衡语料库，包含约一百万词，文本主要来源于2010至2022年间。该语料库提供生语料、词性赋码和词形还原三个版本，使用StanfordNLP工具包中的stanza-ar包进行自然语言处理。arGLOBE语料库还提供词频表，包括单词、二元词组和三元词组，适用于教学和研究。语料库已上传至北外CQPweb多语种语料库平台，支持多种在线检索功能。

采样方案遵循布朗语料库的系统性原则，收集了新闻、通用、学术、小说等四大体裁的文本，共15个子体裁。考虑到阿拉伯文化的特殊性，对某些体裁进行了适当调整。语料采集过程包括文本收集与取样、文本录入和元信息标注。文本收集主要面向阿拉伯国家的标准语出版物，不包括方言变体，且文本的第一作者国籍为阿拉伯国家。文本录入时，每篇文本约2,000词，不足的通过拼接同类型文本补足，并以UTF-8编码格式存储。元信息标注详细记录了语料的基本信息，如文件编号、出版物标题、作者、词数统计、出版商、出版年份、来源和链接等。

arGLOBE语料库的版本包括生语料、词性赋码和词形还原，以满足不同研究需求。用户可通过北外CQPweb平台进行简单查询或使用CQP专属检索语法进行复杂检索，平台支持大规模语料库研究，同时保护版权。

4 研究展望

arGLOBE语料库为阿拉伯语研究提供丰富资源，支持语言本体、跨学科研究。词频表、短语表有助于词典编纂、教学，词性标注信息可用于结构复杂度分析。库与布朗家族语料库等可比，便于开展语言对比、多语种类型学研究。可提取不同子体裁语料进行话语分析、语域变异研究。研究者可自建小型语料库，以arGLOBE为参照进行关键词提取。arGLOBE语料库1.0版本为阿拉伯语研究提供新机遇，但与汉语、英语语料库相比，阿拉伯语语料库发展有提升空间。需建设更多类型语料库，反映不同年代语言特点，开展历时研究。可开发监控语料库，持续收集语料，全面反映语言使用。专用阿拉伯语语料库如学习者语料库、文学语料库、方言口语语料库也值得关注，促进语言学分析、外语教学、文体学研究、社会语言学研究。

5 结语

阿拉伯语语料库研究是新兴领域，arGLOBE语料库的建设是该领域的重要进展。该语料库采用布朗语料库采样标准，通过“北外CQPweb多语种语料库平台”提供检索功能。研究者可利用arGLOBE开展基于语料库的研究，推动阿拉伯语研究发展。同时，“北外全球语料库集群”倡导共建共享，鼓励更多同行参与语料库建设，促进阿拉伯语教学与研究。