古诗词汉字历时心理语言学常模数据库(公元前 207 年—公元 1911 年)
A Diachronic Psycholinguistic Norms Database of Chinese Characters in Ancient Poetry (207 BCE – 1911 CE)
现有心理语言学常模数据库难以反映古汉语诗歌在字词层面和文体上的特点。作者从公元前 207 年至公元 1911 年的 791,377 首古诗词中提取 11,402 个汉字,给出字频、语音特征、语境多样性和形态属性等变量,并建立历时子库,追踪 6,732 个汉字在唐、宋、元、明、清五个朝代的词频、语境多样性、邻接熵、语音标注、对齐词嵌入和语义相似度。语料对比、行为命名数据和专家语义变化评定支持该数据库的可靠性。
从 791,377 首古诗词中提取 11,402 个汉字,建立跨唐、宋、元、明、清五代的历时子库,追踪 6,732 个字的词频、语境多样性与语义相似度。
大规模心理语言学常模数据库是自然语言处理、心理语言学和历时语义分析的重要资源。然而,现有资源未能充分表征古汉语诗歌的字级和体裁特异性特征。为填补这一空白,我们推出中国古诗心理语言学数据库(CAPPD),这是一个综合性常模资源,包含从公元前207年至公元1911年的791,377首古诗中提取的11,402个独特字型。CAPPD提供多维心理语言学和分布变量,包括字频、语音特征、语境多样性指标和形态学属性。关键的是,我们开发了一个整合的历时子数据库,追踪五个主要朝代(唐(618–907)、宋(960–1279)、元(1271–1368)、明(1368–1644)和清(1644–1911))的6,732个汉字,包含各时期特定的频率、语境多样性、邻接熵值、语音标注、对齐嵌入和语义相似度指标。基于语料库比较、行为命名数据和专家语义变化评分的验证分析支持该数据库在历史汉语认知、语言学和计算研究中的可靠性。该资源推进了历史汉语语言理解的实证研究,并为历时语言现象的计算建模提供了关键基准。
中文由 AI 翻译,仅供参考,以原文为准。
来源:Scientific Data · nature.com