标题：语料库选择如何改变依存距离估计？
作者：陈思瑞（Sirui Chen）
提交于2026年7月6日。本文为预印本，共18页，3张图。学科：计算与语言（cs.CL）。论文编号arXiv:2609.04223。
摘要：依存距离估计通常被当作语言属性，但这一假设并未在不同独立编纂的语料库之间得到检验。我们使用一致性相关、Bland-Altman分析和十二种规格的multiverse设计，比较了Universal Dependencies v2.18中38对同语言树库的平均依存距离估计。跨树库一致性至多中等：用一个树库替代另一个，会使近40%的语言对排序颠倒，且树库选择约占组间方差的29%。这种分歧远超树库内采样误差，并且在所有十二种预处理规格下持续存在。然而，每个树库都证实了依存距离最小化（归一化比率低于1）。数据更支持MDD是受语法、语体和标注因素影响的语料库条件复合体，而非稳定的语言级参数：定性DLM普遍性在语料库替换后仍然存在，但跨语言的序数排序则不复存在。
详细说明：本文对“依存距离最小化”（DLM）这一普遍性进行了严格检验。DLM认为人类语言倾向于最小化句法依存距离，以降低工作记忆负担。然而，以往研究通常基于单一语料库（如UD treebank）计算平均依存距离（MDD），并将结果视为特定语言的固定属性。本文使用Universal Dependencies v2.18中的38对同语言树库（每对包含两个独立编译的树库），通过多种统计方法评估树库选择的影响。
方法包括：一致性相关系数（CCC）、Bland-Altman图以及十二种不同的预处理规范（multiverse分析）。结果显示，树库之间的协议程度仅为中等：某一语言在树库A中的MDD排名与在树库B中的排名可能发生显著变化，具体来说，39.6%（近40%）的语言对排序会因树库选择而翻转。此外，树库选择解释了约29%的语言间方差，这意味着如果只使用一个树库，约三分之一的差异可能是由语料库本身造成的，而非语言差异。
重要的是，这种变异远大于同一树库内不同样本导致的采样误差。换句话说，观察到的分歧不是随机噪声，而是系统性的树库效应。而且，这种效应在十二种不同预处理条件（例如不同的句子分割、词形还原、停用词处理等）下都稳定存在，表明结果不是特定预处理步骤的产物。
尽管如此，研究者发现一个一致的模式：在所有被检查的树库中，依存距离最小化都得到支持，即归一化的依存距离比（通常是实际MDD与基线随机词序MDD的比值）小于1。这意味着，尽管具体的MDD数值和语言排序高度依赖于语料库选择，但语言确实倾向于短距离依存的定性结论是稳健的。
因此，作者认为平均依存距离（MDD）不应被视为语言的固定参数，而是一个依赖于语料库的复合度量，反映了语法规则、文本语域（如口语与书面语）以及标注方案等多种因素的组合。该研究强调了在跨语言比较中使用多个语料库的重要性，并表明基于单一语料库得出的跨语言排序可能并不可靠。
引用信息：arXiv:2609.04223v1 [cs.CL]，DOI: 10.48550/arXiv.2609.04223。提交历史：v1于2026年7月6日13:53:13 UTC。