◆◇研究計畫介紹◆◇ 中文資訊跨所研究計劃 資訊科學研究所研究員陳克健 語文是社會運作的基本工具，語文處理的資訊化直接攸關整個社 會的現代化腳步。今日我國社會全面資訊化的最大障礙，就是語文 處理上的困難，以中文輸入而言，非專業輸入員多視中文輸入為畏 途，而最需要獲取資訊的就是這些需要資訊做正確判斷的主管人員 ，因此痛下決心突破因難已是刻不容緩。行政院正規劃諸多國家級 資訊網路､資料庫及產業､技術､市場､稅務､戶政､地政､國土 ､交通等相關資訊系統，均無不倚賴更多方便的中文資訊處理技術 ，如中文文字､語音輸入輸出技術，中文人機交談介面，智慧型中 文資訊檢索技術等，進而發展更有效的中下游應用項目。 中央研究院在此一領域的研究起步甚早，已奠定紮實基礎，許多 項目的成果技術不但在國內首屈一指，也領先大陸，領先全世界； 但由於投入的人力物力有限，進展一直相當緩慢。資訊所目前結合 史語所及計算中心所進行中的中文資訊跨所研究計劃正全力投入之 研究包括以下三個方向： 1.中文資訊處理研究環境之建立：如中文詞知識庫､白話文語料 庫､國語語音資料庫。 2.針對中文語文特性的中文資訊處理技術：如中文文句剖析､中 文全文檢索、語音辨識、文字辨認等技術。 3.應用研究：如國語聽寫機､智慧型中文輸入法､中文語音全球 網路資訊檢索系統。 建構中文資訊處理研究環境的目的是為國內中文自然語言及資訊 處理提供基本的研究資料與知識架構。故此一研究包括建構資訊處 理用中文詞知識庫、代表當代白話文的語料庫和中文語音資料庫。 詞知識庫的資料內容包括白話文一般常用詞及其相關語法､語意､ 語音､頻率等資料。研究人員可憑藉此一知識庫配合實際的書面或 口語資料，深入探討真實的狀況而得到許多實際可以應用的語文資 訊，以提供中文資訊處理、語句剖析、語言了解等系統之用。在中 文語料庫方面收集整理當代白話文書面語及口語文字資料，加以分 類取樣，文本內容並做分詞和詞類標記工作。完成的標記語料庫， 可以呈現出中文的真正面貌，研究人員利用語料庫做為研究的素材 ，從中觀察抽取語言訊息建立語言模型。語料庫提供詞句各種不同 的使用範例，字詞的統計分佈，反應出實際的語言現象。因此利用 電腦從語料庫中自動抽取語言知識可取代大量人力成為一門新興的 學問。除此之外，語料庫也經常當作測試或訓練樣本，以考驗電腦 系統處理真實語言的能力。語音資料庫的用途和語料庫類似，語料 庫表達的是文字的訊息，而語音資料庫表達的是語音的訊息，它是 研究語音辨識､語音產生､了解語音變化及相依關係，不可或缺的 基本素材，研究人員可以從語音資料庫抽取語音的特徵訊息，應用 在語音系統上。 利用以上所述的中文資訊處理研究環境，發展中的中文資訊處理 技術包括：1.中文剖析技術，2.中文語音辨認，3.中文文字辨認， 4. 中文語言模型，5.中文全文檢索技術。 這些語言，文字，語音相關處理技術已有相當的成熟度，由這些 技術發展出成功而知名的應用系統包括：1.金聲系列國語語音辨認 系統，2.自然輸入法，3.尋易全球網路中文資訊檢索系統等。 理想的中文資訊環境應該是－電腦看得懂中文，聽得懂國語，能 直接以語言和人類溝通。然而語言的複雜程度，遠超過所能想像， 目前的這些初步成果只是達到理想中文資訊環境的第一步。本計劃 只是邁向理想的一小步，而這一小步希望是推動整個中文資訊研究 的一大步，本計劃所建立的基礎環境，已大量開放給學術界及研究 單位使用，目前已有國內外數十個單位使用本計劃發展出的詞庫及 語料庫。