这篇文档属于类型b，是一篇系统性文献综述（systematic literature review）。以下为针对该文献的学术报告：

作者及机构
本研究的通讯作者为Ya Sun（孙雅），合作者包括Kaiwen Yang（杨凯文）和Gong Chen（陈功），均来自中国对外经济贸易大学国际学院（School of International Studies, University of International Business and Economics）。论文于2024年12月16日在线发表于期刊 *Current Psychology*（2024年第43卷，页码37167–37182），标题为《The Research Trends of Corpus-Assisted Stance Research (2004–2023): A Systematic Literature Review》。

研究主题
本文通过系统性文献综述方法，梳理了2004至2023年间453篇基于语料库的立场研究（Corpus-Assisted Stance Research, CASR）文献，旨在揭示该领域的演变趋势、研究方法及未来方向。研究聚焦三个核心问题：(1) CASR的研究现状；(2) 语料库语言学如何辅助立场分析；(3) CASR的新兴趋势及未来方向。

主要观点及论据

1. CASR的研究现状与增长趋势

通过线性回归模型分析，作者发现过去20年CASR的年度发文量呈波动上升趋势（F=125.16, R²=0.874），表明立场研究逐渐受到语言学界的重视。高频发表期刊包括 *Journal of Pragmatics*、English for Specific Purposes 等，凸显其跨学科特性（如语用学、话语分析、社会语言学）。核心学者包括Biber（提出立场作为评价性术语）、Hyland（学术话语中的立场与互动模型）和Martin（评价理论），分别代表语料库语言学、应用语言学和系统功能语言学流派。

支持证据：
- 文献计量工具VOSviewer显示，CASR研究形成四大聚类，分别对应不同理论框架（如语用学、批评话语分析）。
- 高频术语分析表明，立场研究长期受话语分析（DA）和系统功能语言学（SFL）主导，但近年逐渐拓展至多模态和计算机介导的交流（CMC）领域。

2. 语料库语言学在立场分析中的技术应用

语料库方法通过量化与质性结合的策略分析立场表达。关键技术包括：
- 频率分析（frequency analysis）：识别高频立场标记（如情态动词、副词）；
- N元语法与搭配分析（n-grams/collocation）：揭示典型立场短语组合（如“we should”在政治话语中的意识形态功能）；
- 自动标注工具（如CLAWS）用于词性标注，辅助态度系统识别。

典型案例：
- Meng和Yu（2016）结合频率分析与搭配分析，发现政治辩论中“we”和“should”的共现模式隐含权力动态。
- Fuoli（2012）利用部分语音标注工具分析企业社会责任报告中的评价性形容词，量化企业形象构建策略。

方法创新：
- 混合效应模型（mixed-effects model）被用于处理纵向数据，但应用仍较少（Gries, 2015）。
- 编程工具（如R、Python）逐步替代传统统计软件（如SPSS），提升分析效率。

3. 立场类型与语类多样性

CASR研究的立场表达形式分为七类（见表1），包括词汇-语法标记（lexical-grammatical markers）、功能类别（functional categories）及非语言设备（如表情符号）。学术语类（academic genre）占比最高（41.5%），其次是媒体语类（19.43%）和口语语类（14.13%）。

关键发现：
- 学术写作中，立场标记（如模糊语hedges）用于平衡作者权威性与读者互动（Hyland, 2005）。
- 社交媒体中，多模态立场（如GIF、表情符号）通过非语言资源传递情感立场（Tolins & Samermit, 2016）。

数据支持：
- 编码分析显示，281篇文献聚焦词汇-语法标记，仅3篇研究声学-语音特征（acoustic-phonetic features），表明后者尚属新兴领域。
- 跨编码员信度检验（Cronbach’s α=0.883–0.938）验证了分类方案的可靠性。

4. 新兴趋势与未来方向

通过CiteSpace的时间线视图分析，作者提出CASR的四大转向：
1. 从单一语言形式到多模态立场：研究扩展至手势、表情符号等非语言资源（Andries et al., 2023）。
2. 从学术语类到多语类比较：政治、企业及社交媒体语类逐渐受到关注。
3. 从基于语料库到语料库驱动（corpus-driven）：自下而上的分析策略增多，如通过频率列表识别未预设的立场表达。
4. 人工智能与语料库的融合：未来可结合大语言模型（LLM）生成语料、自动化标注及多模态分析。

理论意义：
- 该趋势反映了立场研究从形式描述向功能解释的转变，强调社会文化语境的影响（Ushchyna, 2020）。

文献价值与意义

1. 学术价值：

   • 首次系统整合了CASR的跨学科框架（如语用学、话语心理学），填补了术语和实证分析间的鸿沟（Li et al., 2020）。
     
   • 提出“LLM+语料库”模型，为数字时代的立场分析提供方法论创新。
     

2. 应用价值：

   • 指导学术写作教学，帮助学习者掌握不同语类中的立场策略。
     
   • 助力自然语言处理（NLP）开发更精准的立场识别算法。
     

亮点总结：
- 方法学创新：结合文献计量（VOSviewer/CiteSpace）与内容分析（NVivo），实现宏观趋势与微观案例的联动。
- 跨学科整合：揭示了语言学与心理学、社会学的交叉潜力，如认知动机对立场表达的深层影响。

结语
本文不仅梳理了CASR的二十年发展，更通过批判性分析指出未来研究需关注社会文化变量与多模态交互，尤其在数字化沟通语境下，立场研究的理论框架需进一步扩展。