挖掘120万词！中科院发布首个汉语儿童自发言语数据库

探索宇宙奥秘 · 理性思考

想象一下，你试图通过分析莎士比亚全集来研究现代人的聊天习惯，结果会如何？大概率是风马牛不相及。

就在最近，中国科学院心理研究所的研究团队干了一件“笨功夫”，却解决了一个大问题。他们发布了一个基于大规模自发言语的汉语学前儿童词汇数据库（CPCSLD）。这项成果近日已发表在心理学权威期刊《行为研究方法》上。

语言学界一直有一个共识：学前阶段是儿童词汇量暴涨的关键期。但是，要精确测量孩子到底能“说”多少词，难度极大。

过去的研究，大多基于“输入性材料”。比如，统计孩子读的绘本里有多少词，或者分析成人常用的词汇有哪些。这种方法虽然省力，但只能反映孩子的“理解能力”。孩子能听懂“复杂”，但他嘴里蹦出来的可能只有“难”。

这就导致了研究数据的失真。我们需要知道孩子在实际交流中，到底产出了什么词汇，频率如何，结构怎样。

中科院心理所的团队这次没有走捷径。他们直接盯着孩子的“嘴”。他们收集了北京地区648名3至6岁儿童的自发言语。这不是简单的录音，而是基于同伴对话情境下的自然流露。

语料内容极其丰富，涵盖了旅行、玩具、图书、动画等贴近生活的主题。最终，他们构建了一个包含约120万词次、21372个不同词条的庞大数据库。这是首个专门面向汉语学前儿童“表达性词汇”的数据库。

这个数据库的含金量，首先在于它的“颗粒度”非常细。

研究团队按照幼儿园小班（K1）、中班（K2）及大班（K3）三个年龄段，分别构建了子数据库。这意味着，我们可以清晰地看到孩子语言成长的每一个脚印。

数据揭示了一些有趣的规律。随着孩子年龄增长，他们嘴里冒出的多音节词比例越来越高。这说明，孩子的词汇结构正在变得复杂，他们不再满足于简单的单词表达，开始尝试更复杂的句式和组合。

此外，数据库还系统性地提供了词频、词长、词类、音节频率等指标。特别是对于汉语这种声调语言，数据库还区分了1147个带声调音节和400个不带声调音节。

这些细节至关重要。它让研究者不仅能看到孩子“说了什么”，还能看到他们“怎么发音”。对于汉语儿童语言发展研究而言，这提供了一把精准的尺子。

为了验证这个数据库的成色，研究团队做了一项关键的对比测试。

而在语义判断任务中，CPCSLD的优势就不那么明显了。这反向证明了之前的假设：理解性词汇和表达性词汇在大脑里的存储和调用机制是不同的。

这个发现让心理学界“懂了”：只有基于真实口语产出的数据，才能真正捕捉到言语产生过程中的关键特征。以前的那些“替代方案”，确实存在偏差。

放眼全球，儿童语言数据库的建设已有几十年历史。英语世界有著名的CHILDES等系统，积累了海量数据。相比之下，汉语由于语言结构的特殊性，相关基础数据一直比较匮乏。

以前，国内学者研究汉语儿童语言，往往不得不借用英语的研究范式，或者使用规模较小、标注粗糙的语料。这就像是用外国的尺子量中国的布，总归是不贴切。

中科院这次发布的数据库，标志着中国在心理语言学基础数据建设上实现了重要突围。这不仅是一个数据集，更是研究基础设施的升级。

它的应用前景极为广阔。在临床领域，它可以帮助医生建立标准化的常模，用于语言发育迟缓、自闭症等障碍的早期筛查。如果孩子的词汇产出数据明显低于同龄人的数据库标准，就能及早发现干预。

在人工智能领域，这个数据库也是宝藏。目前的语音识别系统大多基于成人数据训练，对“童言童语”的识别率一直不高。有了这个数据，训练出能听懂小朋友说话的AI将不再是难事。

从基础的词汇统计，到揭示认知机制，再到服务临床与AI，这项研究真正做到了“一叶知秋”。它让我们看到了中国科学家在基础研究领域深耕细作的成果，也为理解人类语言习得的普遍规律提供了珍贵的“汉语视角”。