□陈伟

内容提要 大数据时代，在数据驱动下人文社会科学的研究方法在某些领域已发生改变，由定性研究为主转向定量研究为主，以语言作为研究对象的语言哲学也是如此。定量分析法之所以越来越受到重视，是因为它能够适应大数据和云计算的需求，可以提高精度以及保证处理结果的准确性和可靠性。语言哲学中定量分析法主要有基于模型技术(计算机模拟、数学模型)的方法，和数据驱动(实验哲学、语料库)的方法，这些方法使得语言哲学的研究对象发生转变，而且为人文社科研究提供新范式，并可对相关研究实践进行重构。大数据时代背景下，数据已成为比自然语言更加精准、便利、可操作、可计算的科学语言，语言哲学研究也将由此发生数据化的变革。

引言

人类智力的进步可归结为科技的进步，当今科技的发展以信息技术开发和利用为主要手段，与此同时大数据时代的到来，引发了人类思维模式和科技发展模式的变革。继第三次工业革命之后，信息化和数据化脚步逐渐加快，自然科学领域中的互联网、人工智能、人机交互等技术手段都需要有大数据作为支撑，那么人文社会科学研究也相应地发生改变，可谓是面临着机遇与挑战。大数据不仅仅是信息技术的创新，从哲学方法论来看，以海量数据汇集、处理与利用的现代化社会必然会引发科学研究对象、范式、方法的转变。在信息爆炸的时代，人们的生活形式具有海量数据存储的特点，大数据势必会为语言认知、自然语言处理带来巨大变化①。大数据技术为哲学社会科学开启新的研究领域②。

上个世纪被称为“分析哲学时代”，由于数理逻辑的应用，认知研究的语言转向使认知研究语言更加严谨、明确，更加符合逻辑规范，并因此开辟了分析哲学、语言哲学等认知研究新领域。但是，经过近一个世纪的发展，语言转向并没有实现当初的学术愿景。分析哲学家对形而上学语言的逻辑分析和逻辑重构难以进行，语言哲学家对自然语言的逻辑分析又让自然语言支离破碎，因此20世纪的语言转向虽然取得了不少成绩，但最后基本上都以逐渐衰落而告终③。以往，哲学分析的一个显著特征是对定性的研究方法高度依赖，而大数据时代的标志是数据的海量汇集与处理，大量的结构化和非结构化数据无法再用常规的方法和工具处理，需要基于模型和数据驱动的方法才能更加精确无误地应对。

一、由定性分析到定量分析：语言哲学必要的研究方法

以往哲学分析的一个显著特征是严重依赖定性的方法，即采用自然语言论证的方式，但定性的分析方法无法以现代数理逻辑为工具对特定现象进行分析。如上个世纪以克里普克（Kripke）和刘易斯（Lewis）对模态现实主义的辩护中可以看到，他们的论点完全是定性的，数理工具起不到任何作用，他们的成果二十世纪备受瞩目，这种分析法是当时分析哲学的主流。但是，完全依赖于定性的方法对于哲学的发展是不利的。首先，其他学科的常规分析法往往会用数理逻辑为工具，比如语言学、社会学、物理学等，这样哲学家很难与其他领域的学者进行有意义的对话，哲学就会与其他学科隔离开来，因此人们普遍声称的哲学与科学的普遍相关性，在方法论上是孤立的；其次，定性分析以价值判断为主，多数是根据经验、观察、回顾等非量化手段进行分析，具有主观性较强的特点；再者，以往哲学家对定性研究方法的偏爱似乎与他们所倡导的对分析精度和清晰度的承诺相矛盾，在许多情况下，定性的方法会使哲学话语变得不精确和不可靠，即使不是晦涩难懂也难以处理。当然，这并不是说定性的方法没有其使用价值，只是在哲学的某些领域确实产生了一些问题。

从库恩《科学革命的结构》一书自1962年出版以来，科学研究的信息化和数据化脚步逐渐加快，科学研究进入大数据时代（Big Data Era）正在“催生最大的数据变革”④。新技术的出现为人文社会科学开辟新的领域，哲学及相关学科研究方法也在变革。大数据时代的数据挖掘不仅因实用价值越来越重要，而且在方法论上也越来越复杂，涉及的领域越来越宽，因此，正确的方法论是大数据时代所急需的哲学指导⑤。

大数据时代要有大数据思维，处理大量信息的迫切需求促使我们思考计算机如何为承担这些繁重的任务提供帮助，如信息提取及机器翻译，计算语言学和自然语言信息处理等相关学科都需要计算机进行信息处理。在大数据背景下，定量的研究方法越来越盛行，这种方法的应用能够很好地适应数据分析与处理的要求，并可以很好地解决哲学方法论中定性分析方法不足的空缺。定量方法包括各种各样的工具，从基于模型的技术（数学模型和计算机模拟）到数据驱动的方法（实验哲学和语料研究）。定量方法具有多样性的特点，基本都是以数学工具来制定和解决哲学问题的。

语言是信息的主要载体，在大数据浪潮之下语言学研究方法从某种程度上来说正是迎合信息传递和运算的需求。在语言学学科领域，旨在探索语言结构和模式的计量语言学已悄然兴起，采用定量的统计方法来解释语言学问题。传统语言学重在分析特定示例，或利用语言直觉来寻求语言结构的规则，许多情况下通过内省的方法进行语言的研究。与传统语言学不同的是，定量语言学将语言识别为复杂的自适应系统，利用真实的语言数据并依靠定量方法来探索语言的结构化并不断发展，简而言之，它具有准确性、真实性、动态性⑥。传统的语言学研究成果很少被自然科学所运用，如人工智能处理、大数据分析等，主要原因是缺乏准确性、科学性以及可操作性。定量语言学作为语言学的一个分支，它的分析则是基于一种事实判断，是建立在实证主义的方法论基础上的，依照客观真实的文本数据，分析探索语言的结构并建立模型，从而获得更全面的信息。这种分析模式与自然科学相似，更有利于智能分析和处理。

以逻辑为工具在语言哲学研究中很常见，但多是基于形式逻辑，这种研究方式在处理有关语言的哲学问题方面有着悠久的传统。相对而言，基于模型和数据驱动的方法直到最近才在语言哲学中获得突出地位，这些方法比逻辑推理在大数据时代更加适用，在多数情况下，基于模型和数据驱动的方法可以提高精度，提高结果的准确性和可靠性，并通过与相邻学科中的有关方法相联系，推动语言哲学的发展。然而，尽管有诸多益处，但迄今为止尚无任何研究对语言哲学中的定量方法进行全面的处理。我们试图通过梳理定量研究方法在语言哲学领域的基本路径和重要意义，为该领域的研究提供方法论上的借鉴。

二、科学模型的建构：以数学和计算模型为工具的定量分析

大数据时代的典型特征是数据的大量汇集，海量信息的捕捉和处理无法用传统的方法进行，随着对大数据认识的深化，人们发现大数据具有“七极”的特征，极大、极速、极多、极高、极真、极易变化和极为复杂，除了为人类带来的效率和效用以外，其极易变化和极为复杂的负面特征也凸显出来，因此正确的“数据挖掘”（data-mining）至关重要⑦。在语言哲学研究中进行“数据挖掘”具体要使用什么样的定量工具呢？

模型是目前语言哲学中争议最小的量化工具，数学模型采用的是数学运算的方式来分析客观现象与数学对象之间的关系。数学模型在科学研究中无处不在，有丰富的哲学文献可用于解释它们的本质，并可用于深入的探讨⑧。事实上，哲学家现在经常依靠代数、概率论和微分方程来解决跟语言相关的一些问题。

除数学模型外，计算模型在语言哲学中也相当普遍。计算模型通过将目标系统表示为存储在内存和算法中的数据包（即更新控制系统行为的规则）来模拟研究的对象。通过在不连续的时间步长中迭代更新，可得出有关系统轨迹和最终状态的数据，以供进一步处理和分析。基于代理的模型是计算机进行模拟的一种特别普遍的类型，通常是模拟自治或半自治代理之间的交互过程。无论其形式如何，计算机模拟通常是通过阐明过于复杂而无法进行分析处理的内部工作原理，目的是为了补充数学模型。

但这抛开了如何证明在哲学中使用模型的合理性问题。哲学家为什么要诉诸数学和计算模型？在什么条件下应该怎样做？虽然很难详尽地回答这些问题，但模型在研究生物和文化进化产生的现象时特别有用。这是因为生物和文化领域变化的主要动因是进化，如选择和漂移。而充满定性论证的冗长散文往往难以追踪其进化过程，而以数学和计算机模型为工具的定量分析则表现出色，这使得数学和计算模型成为极富启发性的工具，可用于研究传统上困扰哲学家的各种现象。既然语言是生物和文化进化的产物，那么语言哲学也可以从模型的使用中受益，模型有时会在言语推理失败的情况下提供良好的结果。在不求助于数学和计算工具的情况下，要追踪作为交流基础的理性决策和进化过程将是极其困难的。模型可以提供一般通过口头推理而无法获得的结果，可以提高哲学研究的可靠性。

模型的另一个好处在于其精确性。例如，语言哲学中的模型可以设置哪些是应该出现的条件，哪些是不应该出现的，有了明确的规定就可以进行言语处理，否则数量庞杂的言语现象将无法有效地处理。例如，著名的语言哲学家格莱斯（Grice）（1975）提出的对话交流过程中的“合作原则（Cooperative Principle）”，包括“量的准则”“质的准则”“关系准则”“方式准则”。但格莱斯所谓的“合作”到底指的是什么？而沟通的量又需要多少呢？这些问题，格赖斯的口头论证是无法回答的，但是利用语用学中的数学模型可以很容易地解决⑨。至少可以说，在纯粹定性方法的基础上得出的结论是很难站住脚的，即便是有些语言哲学家为其辩护也很难找到充分的条件。

语言哲学研究中所使用的数学和计算模型，其实都来源于哲学以外的领域。哲学家主要是从经济学（理性选择理论）和进化生物学（进化博弈论）等领域借鉴了这些方法，这种跨学科进行研究的方式为语言哲学的研究带来了生机。

三、研究方法的运用：试验哲学与语料库分析法

人类信息化的普及和大数据时代的到来，是新技术革命成功的结果，同时又由此引发了新一轮的技术与方法的变革。数据的运用和处理无疑成为了一系列学科关注的热点。数据在过去主要是指由数字和计量单位一起构成的对事物量化的描述，在人类对世界的量化认识中起着重要的作用⑩。大数据发展的基石就是数据量的指数增加，无论是数据挖掘、文本处理、自然语言处理还是机器模型的构建，大多都是基于一定量的数据，数据规模达到一定程度，然后采用基于规则的方法或者概率统计学的方法进行模型构建，知识的获取才更有意义⑪。

语言哲学家对自然语言或人工语言的功能及结构的分析，以往以调查或观察为主，如今随着语言数据的海量汇集，使我们能够采用与计算机科学密切相关的大数据平台，如利用计算仿真实验和语料库分析等，为语言哲学提供实证研究。语料库的运用与实验哲学分析在大数据时代背景下日渐普及开来。德维特（Devitt）指出，语言哲学家应更多地依赖于实际用法的证据，包括语料库的句子和受控实验中的句子，来自调查数据的证据显然是参与者对问题和命题的直观判断，而不是实际的语言使用⑫。为了收集使用真实语言的数据，我们需要诉诸大数据方法。

语言哲学中一种相当常见的定量研究形式是实验哲学。实验哲学通常借用人文社会科学，特别是语言学和心理学的方法对指定的对象进行研究。例如，在认识论中，温伯格（Weinberg）、尼克尔斯（Nichols）和斯蒂克（Stich）依靠实验数据来论证，关于构成知识的直觉是不可靠的，事实证明它们会随着理论无关的因素而变化⑬；在科学哲学中，斯托茨（Stotz），格里菲斯（Griffiths）和奈特（Knight）分析了调查数据，表明生物学家对基因有不同的概念，这取决于他们的专业领域⑭；在语言哲学中，实验哲学的一个经典例子是（Machery），马隆（Mallon），尼克尔斯（Nichols）以及斯蒂克（Stich）对克里普克（Kripke）思想实验的处理，发现关于参照的判断在不同文化中呈现出不稳定性⑮。以上实验哲学的研究曾引发一场关于是依靠直觉还是依靠试验数据的激烈辩论。

实验哲学家没有自己的方法论，但是他们在研究中借鉴了许多来自社会心理学和认知科学的各种实验工具和方法。最常用的实验哲学中的一种方法是问卷调查，用于引起人们对有关问题的直观判断。在特定情况下的问题或命题。尽管如此，人们已经意识到调查只是一项可供哲学家使用的实验性工具，而且仍然有许多不同类型的实验方法可用于哲学研究。

尽管最近实验哲学获得了大量关注，但哲学领域的数据驱动研究不应局限于实验工作。在哲学领域，语料库研究依靠语料库数据来解决哲学家感兴趣的问题。

特别是基于语料库的方法为语言哲学研究提供了一系列帮助，使它们成为实验工具的重要补充。语料库仅仅是口语或书面语的样本，不是在实验室环境中产生的，而是在特定领域内收集的。与其他形式的数据驱动研究中使用的实验数据相比，语料库包含观察数据。但是，语料库语言学的研究表明，基于语料库和实验数据集的结果有时会出现分歧⑯。这说明，语料库研究和实验技术应该相互补充，以评估和提高结果的准确性和可靠性。

因此，语言哲学家也应该在考虑实验数据的同时考虑语料库数据，特别是那些对我们实际语言行为的归纳及相关语料的收集，语料库形式的观察数据也应该用于语言哲学理论的建构中。当然，在某些情况下，为哲学领域感兴趣的问题去探究具有普遍意义的语料库是具有挑战性的。因此，哲学家有时可能更适合研究在实验室里产生的语言数据⑰。但如今随着信息量的增加，大数据技术的介入，在更多情况下，也许可以使用语料库数据来解决哲学家们长期以来感兴趣的问题。

语料库方法在涉及语言问题时有巨大的潜力。语料库研究可以为日益广泛的网络语言提取、归纳、分析提供依据。针对网络语言暴力、未成年不良网络社交行为、低俗言语泛滥、网络流行语使用不当等现象，以往研究是分析其语义内容得到片面的主观的结论，虽然相关学者提出很多提议，也用哲学分析的一些方法对照实际语言对其进行评价，但是一些问题始终不能回答。比如，污言秽语如果出自同一个主体，是否每次都会有冒犯性，是否其目标具有一致性？在恰当的语境中使用侮蔑语的频率有多高？这些虽然是具有哲学意义的问题，但最好使用语料库数据来解决，因为语料库研究可以通过对照实际语言用法及用例对这些问题进行精准的评价。

四、大数据背景下定量研究法的意义

在一般科学方法论中，马克思将“研究方法”与“叙述方法”区别开来，“研究方法”是指科学发现的方法，“叙述方法”是指理论构建的方法。马克思在研究方法上认为，研究必须充分地占有材料，分析它的各种发展形势，探寻这些不同形式的内在联系，只有在这项工作完成后，现实的运动才能适当地叙述出来⑱。科学发现的方法也就是“研究方法”，务必要靠大量的、充分的、基于事实的资料才能构建出科学的理论，所谓的资料即数据资源。

在大数据和云计算背景下，世界万物皆可用数据表征，诸如文字、声音、图像、语言等等，数据像语言一样是一种通用的表达工具。数据最基本的分析方法是定量分析，通过定量分析对事物发展的方向、人类的行为、各领域的情况进行总结或预测，得出的结论甚至会超越人类的认知。所以，在大数据时代，我们不必非得知道现象背后的原因，而是要让数据自己“发声”⑲。以数据作为支撑能够解决以往因为不够全面精确而带来的分析不足的短板，由对现象“怎么看”向现象“是什么”转变，质性研究向量性研究的变化使得人们的认知也能够更加的真实、客观。

（一）语言哲学研究对象的转变

大数据时代的到来产生了一系列的变化，不仅语言哲学研究方法发生变化，研究对象也随之改变。在布雷斯南（Joan Bresnan）的《语言学的花园与灌木丛》（Linguistics：The Garden and the Bush）一文中⑳，布雷斯南回忆了她如何从“花园”到“灌木丛”，认为大多数传统的语言理论本质上背离了社会对语言理论的要求。作为“花园”，包含生成语法的传统语言学关注的是语言学家通过内省仔细选择或培养的语言现象，并使用语法树和短语等符号定性地概括它们。相比之下，“灌木丛”又称“田野语言学”，它关注的是人们在日常交流中实际使用的语言，以条件概率和信息内容为基础进行定量分析。从“花园”到“灌木丛”的转变，其实意味着研究对象发生了变化（范围由微观到宏观），研究方法（定量方法）和性质（形而上到实用主义）也发生变化。

语言是信息的主要载体，对它的研究在信息化时代应同时满足人机需求。自然语言处理需要转化为语言数据。一般来说，科学研究涉及抽象建模。模型的特征代表了被建模对象的可观察属性。通过利用抽象创建的模型和模型所代表的内容，以一种间接的方式解释现实世界。因此，理论的构建依赖于模型和现实之间的对应关系，从一个忽略本质和不能反映真实色彩的模型中得出的结论是很难应用到实际的。

大数据是一项工具，定量研究是一种方法，这种工具和方法既可以处理形式语言也可以处理自然语言，而以往分析方法只能处理自然语言。语言学研究模式发生变化，那么为迎合实际需求，语言哲学也要迎接信息时代的重大转变。

（二）人文社科研究的新范式

知识的发现和证明是哲学认识论中两个重要阶段。在大数据时代，用定量的方法对已有知识进行重新整合并论证，可以使已有结果更加可靠，或会产生新的发现。语言哲学基本的研究方式是用逻辑方法对相关语言材料进行分析，今后语言哲学关注的焦点将是语言数据的发现和证明。

大数据时代的到来，对于人文社科领域可谓是充满了机遇。将原有语言文本转化成数据，用量化的方法进行统计分析。比如在文学领域，小说文本电子化、电子档案的普及、大型数据库建设完备和跨库检索、智能分析技术发展完善后，文学研究具备了宏观研究的必要条件。比如对于《红楼梦》成书过程的研究：公认的说法是前80回由曹雪芹著，后40回由高鹗续写的说法。后来通过数据分析发现结果并非如此，并否定了之前的说法。原因是人的认识具有主观性，即便是知名学者也难免会陷入误区。穷尽式的大数据语言风格定量分析，能够精准的把握作者的言语模式，因此能够有新的发现。

实验哲学研究表明靠人类直觉获得的概念是不可靠的，无论是自然科学还是人文社会科学靠实验的方法来论证更为可靠。莫莱蒂（Moretti）于2010年成立的斯坦福文学实验室，就是将文学文本数据化后再进行量化分析的典范。这种对待文学研究有如对待一般科学研究的处理方式，对于文学领域来说是一个挑战。通过从历史传统和文学研究的内在需求来看，基于数理逻辑与数据实证的文艺研究方法具有合理性，把审美特性与科学逻辑相结合，带来革命性的转折。由此引发了一些新的学科提法，如“统计文艺学”“计量文学”等。将人文学科与数理逻辑、语料库分析等相结合，用定量分析的方式进行分析，普及开来后将会产生革命性的变革。

数据转向是大势所趋，研究范式随之改变。与人类社会相关的如社会学、新闻与传播学、教育学、法学、经管类等实用性较强的社会学科更为适用。大数据时代让一切看似不可能解决的问题有了解决的可能，在对哲学意义的追问中更为系统、形象。

（三）重构研究实践

第一，缓解定性和定量两种不同取向的研究范式。在逻辑实证主义（Logical positivism）的鼎盛时期，艾耶尔（Ayer）认为哲学应该只关心语言和逻辑的事实在那个时期大部分的争论一直围绕着认知状态先验和后验方法，以及推理和依靠感觉经验的方法。一直以来仍有学者坚持观念推理在哲学话语中起着重要的作用。例如，比勒（Bealer）认为哲学中的先验直觉不仅独立于科学中的经验工作，而且具有更大的认识价值但其他人强烈反对这种观点，因为在很大程度上忽视了定量研究方法在处理相关问题时的重要性。最近的一个例子是马歇瑞（Machery），他认为来自思维实验的先验直觉是不可靠的，因为思维实验得出的结论过于牵强和理想化。关于定性观念理念和定量工具理念的争论在语言哲学及其他领域持续了半个多世纪。

然而，目前的研究实践表明，定性和定量分析是哲学研究方法中不同的研究方式。比如当研究语言哲学中语言意义演变的进化现象时，用到动态模型和计算机模拟，这种情况下需要定量处理；当通过海量规模的样本数据，直接能够发现语言规律或现象，既不用检测变量又可避免样本偏差时，直接定性处理就可以。以大数据为背景的研究，可以说是使定性和定量研究范式发生了转变，在两者之间出现了交叉的地带。大数据海量的数据规模和全新的数据特征使得定量研究与定性研究在资料获得与分析方法方面逐步走向趋同，这在某种程度上缓解甚至重构了定量研究与定性研究间的关系。

第二，大数据背景下的定量分析能够优化变量测量。定量分析方法的一个重要价值体现在与大数据的结合。以往利用小数据对变量进行定量分析往往是管中窥豹缺乏说服力。在大数据驱动下，可以极大范围地巩固语料库，使语料库的完备程度达到空前的高度，在这种情况下再进行历时和共时两个维度的定量分析，使变量得以优化，并能产生意想不到的效应。

随着观测范围的扩大，重新利用定量测量方法对已有的研究进行二次分析，比如某个研究对象的变化趋势、形成的路径等。虽然对于传统研究进行用这种方式回炉重造的不多，但是大数据背景下的定量分析为人文社科领域的研究提供新的维度。

第三，定量分析能够使展示方式更加精确、生动。面对海量数据构成的结果，不同的人有不同的展示方法，如何简单有效地展示也是一项务必要完成的工作。最为常用的是数据可视化技术，其实是知识的一种再生产方式。研究者用定量分析的得出结论，以图形、时间序列、地图、流、矩阵、网络、层次和信息图形为基本元素，把要表达的内容进行汇集组合，进而将较为宏大的理论或观念简洁明了地解释出来。

五、余论

哲学在古代集中探讨“世界是什么”，这种关于本体论的思考由于缺乏合适的认识工具，跟不上自然科学的快速发展，所以哲学一直没能够有长足的进步。后来自然科学找到了自己的科学语言工具，而哲学却缺乏自己独特的表述工具因而只能用多义的自然语言，因此，20世纪初的哲学家们终于找到了哲学停步不前的问题症结是语言工具问题21世纪随着信息技术的发展，出现了大数据和云计算，促进了自然科学和人文社会科学的融合发展，传统研究理念及方法受到巨大的冲击。

定量分析法虽然在自然科学领域由来已久，但在语言哲学研究中尚未启动，通过分析得知定量分析法在大数据背景下的语言哲学研究中具有很大潜力。以往的研究表明，语言哲学家根据实际需要有时会建立模型和分析数据，语言哲学不应该被视为一门完全依赖定性方法的学科。语言哲学可以从定量方法中获益，实验和行为哲学为此提供了重要的见解。基于语料库的方法在处理关于语言的哲学问题时，可以绕过一些实验和行为协议固有的限制，数学和计算模型可以为研究具有哲学意义的进化现象提供一个有价值的视角，如涉及语言行为的研究。但当涉及到解决这些问题时，应该考虑使用定量和定性兼顾的方法。这些考虑不仅对语言哲学的方法论产生了影响，而且对哲学的其他几个分支学科也会产生影响。

在移动互联网、超级计算、人工智能、脑科学等新理论及新技术大步向前的今天，大数据驱动下的语言信息处理也在加速发展，深刻影响人类社会经济形势和科技进步。利用恰当的工具和方法去分析海量数据资源并从中受益，对于多学科多领域的学者来说充满了挑战和机遇。语言哲学的研究也将因此发生数据化的变革。

注释：

①Agerri，R.，et al.Big data for Natural Language Processing：A streaming approach，Knowledge-Based Systems，2015，79（5）.

②Iacus S M.，Big Data and Social Science-A Practical Guide to Methods and Tools，Journal of statistical software，2017，78（Book Review 2）.

③陈波、江怡：《分析哲学：回顾与反省（上卷）》，中国人民大学出版社2018年版，第20页。

④涂子沛：《大数据：正在到来的数据革命》，广西师范大学出版社2013年版，第285页。

⑤杜世洪：《大数据时代的语言哲学研究——从概念变化到范式转变》，《外语学刊》2017年第6期。

⑥Liu H T，Lin Y N，University Z，et al，Methodology and Trends of Linguistic Research in the Era of Big Data，Journal of Xinjiang Normal University（Edition of Philosophy and Social Sciences），2018.

⑦Changqing JI，Yu LI，Qiu W，et al，Big Data Processing：Big Challenges And Opportunities，Journal of Interconnection Networks，2012，13.

⑧Weisberg M，Simulation and Similarity：Using Models to Understand the World，Oxford Studies in the Philosophy of Science，2013.

⑨参见Huttegger，S.M.，Skyrms，B.，Smead，R.，Zollman，K.J.，Evolutionary dynamics of Lewis signaling games：Signaling systems vs.partial pooling，Synthese，2010，172（1）.

⑪罗刚、张子宪：《自然语言处理原理与技术实现》，电子工业出版社2016年版，第173～174页。

⑫Devitt，M.，Linguistic Intuitions Are Not“The Voice Of Competence”，in Matthew Haug，eds.，Philosophical Methodology：The Armchair or the Laboratory?London：Routledge，2014，p.268.

⑬Weinberg，J.M.，Nichols，S.，Stich，S.，Normativity and epistemic intuitions，Philosophical Topics，2001，29（1/2）.

⑭Stotz，K.，Griffiths，P.E.，Knight，R.，How biologists conceptualize genes：an empirical study，Studies in History and Philosophy of Science Part C：Studies in History and Philosophy of Biological and Biomedical Sciences，2004，35（4）.

⑮Machery，E.，Mallon，R.，Nichols，S.，Stich，S.P.，Semantics，cross-cultural style，Cognition，2004，92（3）.

⑯Arppe，A.，Järvikivi，J.，Every method counts：Combining corpus-based and experimental evidence in the study of Synonymy，Corpus Linguistics and Linguistic Theory，2007，3（2）.

⑰Devitt，M.，Testing theories of reference，in J.Haukioja（Ed.），Advances in experimental philosophy of language，London and New York：Bloomsburry，2015，pp.31～63.

⑱马克思：《资本论》第1卷，人民出版社2004版，第21～22页。

⑲维克托·迈尔-舍恩伯格，肯尼思·库克耶：《大数据时代：生活，工作与思维的大变革》，盛杨燕，周涛译，浙江人民出版社2013年版。

⑳Bresnan，J.，Linguistics：The Garden and the Bush.，Computational Linguistics，2016，42（4）.