Splits！面向大规模社会文化语言学调查的灵活工具

语言使用的变异受说话者的社会文化背景及具体使用情境的影响，为洞察文化视角、价值观和观点提供了丰富的视角。例如，中国学生讨论“健康饮食”时会使用“timing（定时）”、“regularity（规律）”和“digestion（消化）”等词汇，而美国人则使用“balancing food groups（平衡食物种类）”和“avoiding fat and sugar（避免脂肪和糖）”等词汇，反映了不同文化对营养的不同模型。计算语言学中对这些社会文化语言现象（Sociocultural Linguistic Phenomena, SLP）的研究传统上通过针对特定群体或特定话题的定制化分析来实现，需要专业的数据收集和实验操作化——这一过程不利于快速的假设探索和原型设计。为此，我们提出构建一个“沙箱”，用于系统且灵活的社会语言学研究。通过我们的方法，我们构建了一个基于人口统计学和主题划分的 Reddit 数据集，命名为 Splits！，该数据集通过自我认同标识和复制既有文献中若干已知 SLP 来进行验证。我们展示了该沙箱的实用性，通过一个可扩展的两阶段流程，对大量“潜在” SLP（PSLP）进行筛选，以筛选出最具深度调查价值的优质候选对象。