Wilkinson Daniel Wong Gonzales（香港中文大学英文系）于2024年1月17日在*Applied Linguistics*期刊（DOI: 10.1093/applin/amad086）发表了一项结合社会语言学与人工智能技术的原创研究。该研究针对社交媒体Twitter（现称”X”）上缺失用户社会元数据（social metadata）的问题，提出了一种基于深度学习的解决方案，并以菲律宾和香港地区的英语变体为案例，探讨了语言变异的社会语言学模式。

学术背景

本研究隶属于计算社会语言学（computational sociolinguistics）领域，核心关注社交媒体语言变异分析中元数据缺失的挑战。传统社会语言学分析高度依赖年龄、性别等社会元数据，但Twitter等平台的用户信息往往呈现非结构化特征（如个人简介、头像）或受隐私限制无法获取。为此，作者创新性地采用Wang等人（2019）开发的M3多模态深度学习模型，通过解析用户的语言特征（如词汇、句法）和符号资源（如头像视觉元素）来预测缺失的社会属性（如风格化年龄/性别表达，stylistic age/sex presentation），进而分析这些因素如何影响英语变体的语言变异模式。

研究选取菲律宾英语（EngPh）和香港英语（EngHK）作为案例，原因在于：1）两者均受汉语族语言（Sinitic languages）和菲律宾语（Filipino/Tagalog）影响，但社会语言生态存在显著差异（如EngPh源自美国殖民历史，EngHK受英国统治和粤语影响）；2）现有研究对这两种英语变体在非语音层面（如句法、形态）的变异缺乏系统探讨。具体聚焦两个语言变量：EngHK中系动词（copula）的省略现象（如”you ∅ nice”），以及EngPh中情态动词will/shall的使用差异。

研究流程与方法

1. 数据采集与预处理

研究使用作者自建的Twitter语料库：
- TCOEHK（香港英语语料库）：包含2010-2021年香港18个行政区的2600万条推文（1.35亿词）
- TCOPE（菲律宾英语语料库）：涵盖2010-2022年菲律宾29个城市的2000万条推文（1.23亿词）

通过自研Python工具Twitter Corpus Suite（含Tkinter图形界面），采用正则表达式从原始语料中提取目标结构：
- EngHK数据集：捕获”代词+（系动词）+（副词）+形容词”结构（如”you_pron is_aux very_adv happy_adj”）
- EngPH数据集：提取含will/shall+动词的结构（如”will_aux go_verb”）

2. 社会元数据预测

运用M3多模态深度学习模型（Wang et al. 2019）从非结构化数据推断用户属性：
- 视觉模块：采用DenseNet卷积网络分析头像的符号特征（如发型、妆容）
- 文本模块：基于双向字符级LSTM（Bi-LSTM）提取用户名的语言特征
- 融合层：通过模态丢弃（modality dropout）和全连接层整合多模态特征，输出年龄/性别概率分布
模型评估显示：性别预测的宏观F1分数达0.92，年龄预测为0.522（中等相关性）

3. 变异分析框架

采用贝叶斯变异社会语言学方法（Bayesian variationist approach）：
- 语言内部因素：
- EngHK：形容词音节数、主语人称/数（如you vs. he）、补语结构（是否含副词）
- EngPh：从句类型（疑问/感叹）、话语长度、主要动词类型（如be/have/感知动词）
- 社会因素：模型预测的风格化年龄/性别、地理区域、时间
- 统计建模：使用R语言brms包运行马尔可夫链蒙特卡洛（MCMC）算法，设置弱信息先验（normal[0,5]），通过概率方向（probability of direction, PD）评估效应显著性

主要发现

EngHK系动词省略（2,526条样本）

• 频率分布：97.38%保留系动词（如”you are nice”），仅2.61%省略（如”you ∅ nice”）
  
• 语言内部约束：
  
  • 形容词音节数呈负效应（β=-0.37, PD=1）：单音节形容词更易触发省略（如”fine” vs. “irreplaceable”）
    
  • 复数主语（you/we/they）比单数（he/she/it）更倾向省略（β=0.42, PD=0.97）
    
  • 与粤语对比：发现逆向模式——粤语中多音节词更易省略系动词，表明EngHK未完全复制源语言规则
    
• 社会因素：
  
  • 女性风格化用户（female-presenting）省略率更高（β=0.67, PD=0.94）
    
  • 年轻女性与年长男性构成创新变体引领者，符合Labov语言变化原则（无意识变异中女性主导）
    
  • 无显著地理变异，暗示EngHK内部区域性差异较弱
    

EngPh情态动词（339,341条样本）

• 频率分布：will占97.3%，shall仅2.7%
  
• 语言内部约束：
  
  • 疑问句显著偏好shall（β=0.58, PD=1），反映殖民时期美国英语的保守特征残留
    
  • 话语长度与will使用正相关（PD=0.93），与爱尔兰英语相反
    
  • 动词类型效应：be/have动词强烈排斥shall（β=-0.89/-0.56, PD=1）
    
• 社会因素：
  
  • 维萨亚斯地区（Visayas）和马尼拉更常用shall
    
  • 男性风格化用户（male-presenting）和年长者保守性更强
    

结论与价值

本研究通过深度学习填补了社交媒体语言研究中社会元数据的空白，揭示了：
1. 语言独立性：EngHK/EngPh未完全遵循源语言（粤语/美国英语）的变异模式，体现接触语言的创造性
2. 方法论创新：
- 首次将M3多模态模型应用于变异社会语言学，实现非结构化数据到社会属性的转化
- 贝叶斯框架提供概率化解释（如PD值），优于传统p值检验
3. 应用前景：
- 教育领域：生成标注社会属性的语料，辅助二语教学
- AI伦理：校准训练数据的社会偏差（如性别平衡）
- 数字人文：增强社交媒体文本的语境化解读

研究亮点

1. 跨学科方法：融合深度学习与社会语言学，解决元数据缺失的核心难题
   
2. 理论验证：通过大数据证实Labov语言变化原则在数字语境下的适用性
   
3. 语料库建设：构建首个涵盖社会风格化标注的Twitter英语变体语料库
   
4. 反向发现：揭示EngHK系动词省略的音节效应与粤语相反，挑战传统接触语言学假设
   

该研究为计算社会语言学树立了新范式，其方法论框架可扩展至其他语言变体研究，同时为社交媒体平台设计更公平的AI系统提供了语言学依据。