大數(shù)據(jù)時代的語言研究不能忽視的因果

大數(shù)據(jù)是近年興起的概念,大體上是指通過一系列精煉、提取、分析,從龐雜、無序、多維的信息中獲取情報的一種方法。大數(shù)據(jù)研究讓我們有能力駕馭海量信息,使得以往變化莫測、捉摸不透的自然、社會現(xiàn)象,變得模式凸顯,有章可循。這不僅讓許多科學(xué)猜想獲得實證檢驗的機會,也極大地加速了新理論、新假說的產(chǎn)生。

語言學(xué)領(lǐng)域的大數(shù)據(jù)研究最吸引人的領(lǐng)域是自然語言處理。通過數(shù)學(xué)統(tǒng)計和機器算法,可以讓機器學(xué)習(xí)人類的語言使用,從大量語言信息中搜尋有規(guī)律、重復(fù)出現(xiàn)的模式,并不斷讓機器識別、記錄和改進這些模式,以實際應(yīng)用于人工智能的諸多領(lǐng)域。此項突破在人類語言應(yīng)用方面前所未有。語言大數(shù)據(jù)研究另一個重要領(lǐng)域是理性主義研究。這類研究通常帶有一定的理論預(yù)設(shè),通過大規(guī)模語料的分析和計算,找出字、詞、句在歷時和共時上的分布規(guī)律,從而為社會語言變遷、語音語法演變、語言共性規(guī)律、語言類型學(xué)劃分等研究提供一定的實證支持,是一種較為科學(xué)的描寫性分析。

在當前大數(shù)據(jù)風(fēng)起云涌的時代,秉持此研究理念的學(xué)者堅信這種研究方法開啟了一次重大的時代變革,甚至提出“要相關(guān),不要因果”的口號。那么,語言研究者是否應(yīng)該傾力研究諸多“變量”之間的相關(guān)性,而無須考慮事物之間的因果關(guān)系呢?既然我們有了精深的統(tǒng)計知識和機器算法,可以在機器翻譯、語音識別、語言共性規(guī)律等方面取得以往不可能實現(xiàn)的成就,那么我們還需要各種探索因果關(guān)系的理論嗎?換言之,如果機器可以按自己的“思維”方式實現(xiàn)人類語言的交際功能和研究人類語言的功能,我們何必花時間探索語言背后的哲學(xué)基礎(chǔ)?何必思考語言現(xiàn)象內(nèi)在的因果關(guān)系?

答案顯然是否定的。筆者認為,人類對因果關(guān)系的渴求受到與生俱來的好奇心驅(qū)動,是人類獨特的理性力量。不管是“小”數(shù)據(jù)年代,還是大數(shù)據(jù)時代,人類都樂于對事物之間的關(guān)聯(lián)作出判斷,理性地探索那些最本質(zhì)的因果關(guān)系。大數(shù)據(jù)固然有助于人們在這方面的探索,但人們不可能靠它一勞永逸地解決所有問題。這是由大數(shù)據(jù)本身的性質(zhì)所決定的。

大數(shù)據(jù) “大”的原因有兩方面:一方面是在同樣的參數(shù)、變量的情況下,盡可能增加觀察、記錄的次數(shù),從而擴大數(shù)據(jù)規(guī)模;二是在同一次觀察、記錄中,盡可能地增加參數(shù)、變量的數(shù)目,也同樣能擴大數(shù)據(jù)規(guī)模。在現(xiàn)實研究中,這兩個因素經(jīng)常同時相互起作用。然而,數(shù)據(jù)規(guī)模雖可無限擴大,但仍非決定人們因果推斷能力的根本因素。問題不妨這樣看:隨著觀察次數(shù)增加,基于某個統(tǒng)計模型的估計值,其精確度就有可能不斷提高。然而,問題在于是否觀察次數(shù)越多,這個模型就可以自動消除因為某個變量缺失而帶來的計算偏差。舉個簡單的例子:假設(shè)在一座城市有甲、乙兩家醫(yī)院,通過數(shù)十年不間斷的數(shù)據(jù)收集,我們發(fā)現(xiàn)在去過兩家醫(yī)院的患者中,甲醫(yī)院死亡率非常高,而乙醫(yī)院死亡率很低,那么,我們是否就可以得出甲醫(yī)院差,而乙醫(yī)院好呢?答案是否定的!因為我們忽略了一個重要的外生變量,即甲醫(yī)院級別更高,收治了更多病情嚴重的病人;而乙醫(yī)院級別較低,只能治療一些小病。這就是統(tǒng)計學(xué)上所謂的“遺漏變量偏差”。可見,即使我們積累了數(shù)十年多次觀察的數(shù)據(jù),仍可能未觸及最根本因果問題。因此,解決問題不在于大數(shù)據(jù)的“大”,而更在于是否在數(shù)據(jù)采集和統(tǒng)計模型選擇時有較高層次的理論指導(dǎo)。

另一方面,如果說增加觀察次數(shù)并不會實質(zhì)提高發(fā)現(xiàn)因果關(guān)系的可能性,那么是否可以在同一次觀察、記錄中,盡可能增加相關(guān)參數(shù)、變量的數(shù)目、種類,來改變這種狀況?此想法看似合理,但仍不完全可行。雖然通過各種復(fù)雜精妙統(tǒng)計學(xué)方法,可以把復(fù)雜的數(shù)據(jù)降維,得出有價值的線性回歸模型;姑且不論隨著變量增加,是否對統(tǒng)計模型產(chǎn)生影響,最核心的問題還在于這樣的研究存在一個前提假設(shè),即觀察、記錄的變量必然包含了能夠引發(fā)因果關(guān)系的所有變量,但事實往往并非如此。舉例來說,2015年,美國邁阿密大學(xué)的凱萊布·埃弗里特(C. Everett)及其同事考察了3700多種語言,其中629種語言有復(fù)雜的聲調(diào),通過獨立樣本檢驗,他們發(fā)現(xiàn)聲調(diào)類型復(fù)雜的語言更多出現(xiàn)在氣候濕潤的地區(qū),而聲調(diào)單一或無聲調(diào)的語言更可能出現(xiàn)在氣候干燥地區(qū)。埃弗里特提供的解釋是干燥的空氣容易使得發(fā)音器官脫水,降低聲帶彈性;在氣候干冷的環(huán)境下,發(fā)出復(fù)雜聲調(diào)比在溫潤的環(huán)境下要困難得多。這種因果推斷似是而非,但頗受歡迎。

僅一年后,荷蘭內(nèi)梅亨大學(xué)的杰里米·柯林斯(Jeremy Collins)就針對這篇文章的結(jié)論提出嚴重質(zhì)疑。他認為,由于人類語言大多聚集在氣候濕潤地區(qū),埃弗里特及其團隊所謂的“隨機樣本”很可能是取自同一個氣候濕潤的地區(qū)。這些地區(qū)聚集著為數(shù)眾多的語言,它們之間還可能具有親緣關(guān)系,而就是這個“親緣關(guān)系”的變量被埃弗里特及其團隊忽略。事實上,荷蘭的柯林斯通過另外一種數(shù)據(jù)收集方法(在同一個語系隨機選取一個語言,然后在該語系譜系樹中再隨機選取其他語言),得出語言接觸是重要的干擾因素,可以在全球范圍內(nèi)產(chǎn)生聲調(diào)與氣候濕潤積極關(guān)聯(lián)?？铝炙拐J為,語言接觸、語言的地理分布,甚至地理地貌特征均是干擾聲調(diào)和氣候相關(guān)性的因素。雖然美國埃弗里特研究了近半數(shù)的人類語言,但由于沒有考慮這些因素,因此他們的結(jié)論并不可靠。漢語是有調(diào)類語言,也引起了國際語言學(xué)家的廣泛關(guān)注。橋本龍?zhí)?Hashimoto Riotaro)很早就指出,漢語越往南的方言,調(diào)類越多,而越往北的,調(diào)類越少。北方漢語之所以調(diào)類少,是受了阿爾泰語的影響。那些侵入中原地區(qū)的族群,受漢族影響,改用漢語,但他們講的漢語僅保留了有限聲調(diào)類型。當前漢語與阿爾泰語接觸的最前沿是蘭銀官話,只有兩三種聲調(diào),而與粵語相鄰的方言則聲調(diào)類型豐富?？梢?如果缺乏對社會、文化、歷史以及類型學(xué)理論知識的把握,大規(guī)模數(shù)據(jù)的研究并不總會產(chǎn)生有價值的科學(xué)發(fā)現(xiàn),甚至?xí)贸稣`導(dǎo)性的“虛假相關(guān)”。這足以引起警惕。

我們認為,大數(shù)據(jù)的“大”并不足以改變?nèi)藗円蚬评淼哪芰Α１举|(zhì)上,我們?nèi)匀恍枰粋€堅實、強大的理論來指導(dǎo)我們收集數(shù)據(jù)和設(shè)定模型。人類不會也不可能一勞永逸地僅依靠機器實現(xiàn)從提出假說到實踐檢驗的全過程。一些學(xué)者提出“只要相關(guān),不要因果”的口號其實是針對大數(shù)據(jù)研究中找出可復(fù)現(xiàn)模式的能力而言的。但是,語言學(xué)研究和其他科學(xué)研究一樣,并不是僅找尋相關(guān)性和可復(fù)現(xiàn)模式的活動。語言研究者需要保持好奇心和批評性思維,特別是追求根本性因果關(guān)系的決心。只有這樣,才是大數(shù)據(jù)時代語言學(xué)研究發(fā)展的正確方向。