多年以来，语言学中有一个主导性的理论，即词的长度与其使用的频率成反比。据说这是为了使语言的使用更为高效。

比如说，根据布朗语料库的统计，the，of和and在美式英语中使用频率最高，而这三个词只有两个或三个字母构成，这一统计很好地证明了上述理论。即使没有这一统计，我们也能理解这个理论。试想一下，如果the由十几个字母构成，那一句话该有多长啊！在这种情况下，语言的使用一定是低效的。

但是，麻省理工学院一群研究认知科学的科学家们根据Google语料库提出了一个新的理论——词的长度其实反映的是这个词所蕴含的信息量。

更多字母，更多信息量

尽管从直觉上来说，高频率的单词往往意味着更少的字母，但麻省理工学院脑与认知科学系的博士生Steven Piantadosi表示，这一理论并没有考虑到词与词之间的关联性。

许多词，包括上文中所提及的三大高频词the，of和and与其他词组合时，词序是可以预测的。越短的词并不一定就是越高频的，由于它们本身所蕴含的信息量非常少，因此往往和其他词组合在一起传递信息。

研究者发现，将长度相近的单词组合在一起可以更高效、更顺畅地传递语言的信息流。并且，无论是数个短词的组合，还是单个的长词，语言都是以一致的比率来传递信息的，也就是说总的信息量与总的字母数成一定的比例。

Google语料库中找答案

该项研究基于11种欧洲语言，研究了大量从Google中获取的语料。但网上获取的语料往往有个问题，那就是网络语言有其独有的语言模式和词序，而且字母组成的不一定是词，比如www。因此，研究者们还利用了Open Subtitles中的语料，Open Subtitles是一个电影字幕数据库，这大大拓展了该研究所需的语料。

谈及为何要将Open Subtitles作为语料库之一，Piantadosi表示，电影中的语言是一种典型的自然语言，因此我们吸收在电影中使用的高频单词，并将其作为Google语料库的补充。

如何判断一个词到底蕴含了多少信息量呢？

首先，我们要为“信息”下一个定义。其实，对于一个概念，每个人、每部字典、每本教科书所下的定义都是不同的。在此项研究中，麻省理工学院的研究者们为“信息”所下的定义是： “信息”存在于与词语中的可预测性形成的相反关系之中。（看上去很绕吧，其实很简单，只是专家们习惯把很简单的东西说得很复杂……）

单词本身往往蕴含着一定的信息，而单词与单词之间的组合也会传递一定的信息，有些信息是可以预测的，比如句子中间拿掉一个词，你还能填进去，就像英语考试中常见的完形填空；而有些信息是不能预测的，根据定义，这些不能预测的部分就是所谓的“信息”。

举个例子来说，"you are what you eat"中的eat所蕴含的信息就比"you are contagious"中的contagious要少。因为在第一句句子中，我们至少可以知道，第二个"you"后面所跟的一定是一个动词，但在第二句中，"are"后面可以跟名词、形容词等。

同时研究者们也承认，现有的语料中有很多可以证明他们所提出的假说，但也有一些反例。比如，mind和organization的长度相差甚远，但是它们使用的频率几乎是相等的。而menu和selection的长度也有所差别，但二者所蕴含的信息量却大致相同。

研究者表示，10%的单词长度变化可归因于单词本身所含的信息量，也就是说，10%的单词其长度与信息量成正比。尽管这一数字并不高，但相比较之下，大约只有3%的单词长度变化会导致其出现频率发生变化。而对英语而言，9%的单词其长度与信息量有关，而只有1%的单词其长度与出现频率有关。

这项研究上个月已在美国国家科学院院刊上发表。目前，Piantadosi正在运用相似的技术研究歧义在语言中所扮演的角色。

来源: gizmag