LScDC——新型大型科学词典

本文提出一个英文学术论文摘要科学语料库——莱斯特科学语料库（LSC）。LSC包含由Web of Science（WoS）索引的1,673,824篇研究文章与会议论文摘要，出版年份为2014年。每篇摘要至少被归入252个学科类别之一。论文元数据包括这些类别与引用次数。我们随后开发了名为莱斯特科学词典（LScD）与莱斯特科学词典—核心（LScDC）的科学词典，词项提取自LSC。LScD为包含974,238个唯一词（词元）的列表。LScDC为LScD的核心列表（子列表），含104,223个词元，通过移除在LSC中出现于不多于10篇文本中的LScD词项而创建。LScD与LScDC均在线可用。语料库与词典均旨在后续用于学术文本中意义的量化。最后，通过将核心列表LScDC的词项与词频同包含963个词族、同样采样自学术语料库的传统学术词表“新学术词表（NAWL）”比较，对LScDC进行分析。提取NAWL的语料库主要来源为剑桥英语语料库（CEC）、口语来源与教材。我们考察两词典在共有词与词排序上是否相似。比较得出主要结论：NAWL绝大多数词（99.6%）出现于LScDC中，但两列表词排序不同，该差异被度量。