友情提示：本文共有 1027 个字，阅读大概需要 3 分钟。
关于全世界不同语言的电子化数据正在不断增加。可惜的是，这些数据中的大多数都以不同的格式呈现，因此难以进行比较和重复使用。近日，《科学数据》（Scientific Data）发表的一项研究Cross-Linguistic Data Formats, advancing data sharing and re-use in comparative linguistics提出了“跨语言数据格式倡议”。
过去的二十年中，语言数据数量急剧增加。不仅是世界几大主要语言的单语数据，跨语言数据集的量也大幅增加，目的是为了覆盖尽可能多的语言。创建语言学数据集目前十分流行，除了词源词典、用户词典和语法调查等传统收集方式外，越来越多的数据以在线数据库的形式被发表，或者以论文的在线附录或补充材料的形式被发表。
随着数据量的增加，人们对语言问题的兴趣也在不断增加。来自语言学和非语言学（如考古学、人类学、生物学、经济学和心理学）的学者现在都在尝试使用语言学数据以解决其各自学科的问题。例如，语言是如何传输的，颜色术语是如何演化的，某些特定的语言家族是如何分化的，气候、人口、基因等因素是如何影响语言的。
尽管大量学术论文的发表反映了建立并应用语言数据的热潮，媒体对这一主题的热情也日益高涨，但语言数据仍远未达到Wilkinson等人提出的“FAIR”标准。所谓“FAIR”标准即可找寻（Findable）、可访问（Accesssible）、可互操作（Interoperable）、可重复使用（Reusable）。由于语言学期刊通常没有补充材料方面的政策，也缺乏能够实现服务器数据托管的资源，因此目前想要找到某一特定语言学数据集仍非常困难。语言学数据的访问目前也存在困难，许多基于原始数据的论文发表时并未公布其原始数据，向作者索要数据也比预想的困难得多。由于格式特殊，语言数据集通常缺乏互操作性，因而也难以重复使用。
在本文中，来自德国马克斯-普朗克人类历史科学研究所的Robert Forkel、Johann-Mattis List及其团队提出了语言的历史和类型比较中两个基本数据类型（单词列表和结构数据）的新标准，并且提出了一个可纳入更多数据类型（如并行文本、词典）的框架。除了跨语言数据格式的新规范，研究还提供了用于验证和操作的软件包，以及可关联到通用框架的基本本体论和几个优秀的实用范例。
Scientific Data
DOI: 10.1038/sdata.2018.205
本文如果对你有帮助，请点赞收藏《跨语言数据格式：促进比较语言学中的数据共享和再利用》，同时在此感谢原作者。
