有关从大样本中抽样的办法？

[corpora]

问题一：如果我从一亿running words的BNC里抽样，比如，have +noun 的combination都抽出来。假设我得到5000条结果。我只打算研究其中的100条。抽样的科学合理的方法该是如下哪种：1.从5000条中随机抽取100条。 2. 从设置N（比如5）次以上的共现结果中抽取100条。 3. 从得到5000条结果结果中，依照have和名词的共现的各个combination 中按共现频次多少的比例，依次从各个combinations中抽取相应比例的concordance lines, 合计抽取100条。


问题二：从诺大的BNC中指抽取100条，这100条是否能代表BNC? 担心被抽取语料的BNC太大，而抽取量太小，不合理的抽取方法。

感谢您的回答。

 

[Brainstorming]

问题一：如果我从一亿running words的BNC里抽样，比如，have +noun 的combination都抽出来。假设我得到5000条结果。我只打算研究其中的100条。抽样的科学合理的方法该是如下哪种：1.从5000条中随机抽取100条。 2. 从设置N（比如5）次以上的共现结果中抽取100条。 3. 从得到5000条结果结果中，依照have和名词的共现的各个combination 中按共现频次多少的比例，依次从各个combinations中抽取相应比例的concordance lines, 合计抽取100条。


问题二：从诺大的BNC中指抽取100条，这100条是否能代表BNC? 担心被抽取语料的BNC太大，而抽取量太小，不合理的抽取方法。

感谢您的回答。

只要抽样标准科学合理，结果就应该有代表性。抽取多少条视研究目的而定。如果怕简单随机抽样产生较大误差，可以进行分层抽样，只是麻烦一些。wordsmith可以对抽样行数经行设置<在settings-concord-randomised entries里>。我干脆就用Miniconc,要抽多少行都行！

 

[corpora]

回复: 有关从大样本中抽样的办法？

谢谢。Brainstorming. 是否可以稍微多说2句你的Miniconc..我不是很明白。

 

[Brainstorming]

MinConc是梁茂成老师开发的检索软件，设定显示多少行，屏幕上就展示多少行。这个是界面上的初始信息：
MiniConc 2009, by LIANG Maocheng, the National Research Center for Foreign Language Education, BFSU.
With MiniConc, you can:
1) get a random sample of concordance lines from specified corpus files;
2) search MiniConc result files with a universal regex "\t.+\t", a regex for people with regexophobia.
More information about the idea is available in:
Liang, M. Mini-text and its application in foreign language teaching. Computer-assisted Foreign Language Education in China. No. 3, 2009.
微型文本及其在外语教学中的应用. 《外语电化教学》2009年第3期