《Frontiers in Psychology》：Patterns of morphology in children’s print: estimates of polymorphemic vocabulary using an innovative, AI-informed database of British and American word families
编辑推荐：
摘要
背景：形态复杂性是儿童在印刷文本中遇到的词汇的一个普遍特征，然而用于研究形态学的资源仍然有限。儿童在阅读中会遇到哪些语素模式？哪些语素在阅读经历中覆盖了多少多语素词？在本研究中，研究人员引入了英美词族（British and American Word
摘要
背景：形态复杂性是儿童在印刷文本中遇到的词汇的一个普遍特征，然而用于研究形态学的资源仍然有限。儿童在阅读中会遇到哪些语素模式？哪些语素在阅读经历中覆盖了多少多语素词？在本研究中，研究人员引入了英美词族（British and American Word Families, BAWF）项目，这是一个创新的开放数据库，包含约378,000个词，并用它来回答诸如此类的问题。
方法：GPT-4.1使用来自现有手动生成的数据库（Morpholex）的约6,000个形态编码词进行了微调。微调后的大语言模型（Large Language Model, LLM）对所有在大规模英式和美式语料库中出现的Wiktionary词条进行了词部编码。通过与现有数据库的一致性评估了其性能。通过将维基百科中的词根列表映射到Wiktionary中的所有相关条目，将古典词根归属于一个词子集。随后，将生成的BAWF数据库用于估计儿童文本数据库中的语素模式，并进一步开发为一个在线应用程序。
结果：LLM的词部预测良好，并且落在现有数据库典型的一致性范围内。尽管如此，输出仍包含一些错误/噪声。在儿童印刷文本中，多语素词从图画书到青少年小说和学校阅读项目中逐渐增加。希腊-拉丁词根词出现得早且常见。估计包括约100个前缀/后缀可能占据几乎所有派生词。BAWF本身以开放源代码形式发布 https://cgg-projects.github.io/BAWF_V1/，包含许多词汇、形态和心理语言学变量，包括但不限于频率、家族规模和语素计数。
讨论：该贡献表明，优先关注高产语素的教学可以让儿童接触到大词族。这些语素在早期印刷文本中已经存在且常见。BAWF（V1）有助于识别哪些语素可能适合教学。用户可以生成定制词表，针对特定特征和词族，并访问关联的词典/词源信息。该平台包括AI辅助搜索、解释、分词审查/纠正和教学支持。BAWF项目将随时间发展，纳入更多变量（如形态透明度），提高准确性和用户界面。
论文解读
研究背景与问题
英语阅读能力要求理解形态学，即有意义单元组合成词的系统。英语形态学复杂，继承了三套形态系统：日耳曼复合（如blackboard、breakthrough）、罗曼词缀（如disorder、complexity）以及希腊-拉丁词根形态（如synthesis、biology）。大量研究表明，形态意识与阅读结果之间存在牢固关联，缺乏形态学能力的儿童在词汇增长和阅读理解方面面临显著障碍。尽管课堂干预研究已显示出形态教学的价值，但系统的形态教学仍受制于教师准备不足和缺乏可用的教学工具。现有形态学资源规模、数量和深度有限，限制了对影响阅读发展的英语特征进行描述的能力，例如儿童印刷文本中的形态复杂性模式、不同形态系统的产出性，以及这些特征与词汇难度、教学年级和文本频率的关系。
为此，研究人员开展了英美词族（BAWF）项目，旨在利用人工智能、众包词典数据和当代英美语料库构建一个空前规模的社区资源。BAWF包含约378,000个词及其形态属性估计，可用于按语素类型、频率、形态系统和词族等维度识别和组织词汇，从而降低形态分析的技术和时间门槛。该研究应用BAWF考察儿童印刷阅读体验中的若干形态模式，包括多语素词的频率、发展轨迹，以及最常见希腊-拉丁词根、前缀和后缀及其覆盖的词汇数量。
研究概要与结论
研究人员开发并初步应用了BAWF数据库，证明其准确性可与人工构建的数据库相媲美，且语料库范围远超现有替代资源。应用于四个近期开发的儿童印刷环境词汇数据库后，BAWF揭示了一致图景：形态复杂性并非均匀分布在儿童接触的词汇中，而是随学年积累，并且由一小撮高产出词缀主导。此外，希腊-拉丁词根形态甚至出现在最早的印刷环境中。这些发现直接关系到词汇发展的理论解释和形态教学干预研究的动机。BAWF（V1）以知识共享许可发布，研究界可进行纠正、扩展和重用。
关键技术方法
研究人员使用GPT-4.1，基于Morpholex中的约6,000个形态编码词（包括1,000个复合词、2,000个前缀词、2,000个后缀词和1,000个非派生简单词）进行微调。部署时通过系统提示和少量样本提示，对所有在BNC_2014和COCA中出现的Wiktionary词条进行形态编码，温度参数设为0以增强确定性。从Wikipedia提取1,693个希腊-拉丁词根及其变形，映射至Wiktionary中的相关词条，并匹配至BAWF条目。最终数据库包含约378,000个词，并计算了频率（Zipf值）、家族大小、语素数量、熟悉度、阅读习得年龄（AoA）和年级水平等变量。
研究结果
RQ1：根据BAWF估计，儿童在校期间接触的印刷文本中有多少词汇是形态复杂的？
通过将BAWF应用于CPB-Lex、CYP-Lex、COCA青少年小说、CRP-US、VxGL和d-ELP等数据库，结果显示BAWF覆盖了80.13%至99.97%的词型。在CPB-Lex中，29.91%的BAWF覆盖词型被归类为形态复杂（含一个或多个派生或复合），其中6.76%为复合词。CYP-Lex中复杂词型比例从7–9岁的42.27%增加到13+岁的45.80%。CRP-US分级阅读数据呈现发展模式：一年级复杂词型占17.49%，六年级升至37.34%；复合词从5.46%增至8.80%。VxGL显示了最高的形态复杂性估计（58.50%）。语素数量与年级水平和阅读困难度显著正相关（r=0.275和r=0.270）。此外，约2,100–3,100个熟悉词族即可达到学校文本90%的token覆盖率。
RQ2：根据BAWF估计，有多少词汇包含希腊-拉丁词根？
在CPB-Lex中，约20%的独特词型含古典词根；CYP-Lex中该比例从7–9岁的29%升至13+岁的30%。CRP-US中，一年级约19%的词型含希腊-拉丁词根，六年级升至30%。从token频率看，CPB-Lex中约6%的运行词含古典词根，CYP-Lex中约8%，CRP-US中从13%升至约15%。BAWF中1,437个独特希腊-拉丁词根平均每个支持54个不同词形，其中前100个产出性最高的词根贡献约38,983个词形。不同数据库中的词根排名大体相似，如spec(t)/spic和mov/mot常见。
RQ3：根据BAWF估计，哪些前缀和后缀产出性最高，其词汇覆盖范围如何？
BAWF包含1,016个不同前缀条目和约69,286个带前缀词形；1,125个不同后缀条目和约94,448个带后缀词形。前100个产出性最高的前缀覆盖约94%的前缀词形，前100个后缀覆盖约95%的后缀词形。在所有对比语料库中，后缀覆盖比例始终高于前缀。例如，CPB-Lex中8.73%的词型含前100前缀，22.62%含前100后缀；CRP-US中，前缀覆盖从一年级5.85%升至六年级13.82%，后缀覆盖从12.34%升至27.71%。同时包含前后缀的词型也从1.60%增至6.38%。使用前100以外词缀的多语素词极为罕见。
讨论总结与研究结论
讨论部分指出，儿童印刷文本中的形态复杂性随年级显著增加，这与Korochkina和Rastle（2025）基于MorphoLex的估计一致。希腊-拉丁词根并非仅出现在高级词汇中，而是在整个学校阶段的文本中普遍存在，因此教授经过精心选择的透明且高产的古典词根可能有助于儿童注意到有意义的词部。英语词缀系统高度集中，少量高产前后缀即可覆盖绝大多数派生词，这支持了形态教学应系统而高效的论点，并建议不应将形态教学推迟到中学。研究还强调，为更新Nagy和Anderson（1984）关于每个已知词基可推断三四个新词的经典估计，未来需要加入语义透明度评分。BAWF项目将持续发展，计划增强在线界面、生成形态透明度规范并细化解析。
研究结论可翻译为：本研究报告了英美词族数据库的开发和初步应用，该形态资源覆盖约378,000个当代英语单词，其准确性与人工构建的数据库相当，语料库范围远超任何现有替代方案。应用于四个近期开发的代表儿童印刷环境的词汇数据库后，BAWF揭示了一致的情况：形态复杂性并非均匀分布在儿童接触的词汇中，而是随学年不断累积，并且由一小部分高产出词缀主导。此外，希腊-拉丁词根形态甚至存在于最早的印刷环境中。这些发现直接关系到词汇发展的理论解释和形态教学干预研究的动机。BAWF（V1）以知识共享许可发布，作者邀请研究界进行纠正、扩展和重用。
