摘 要 文章以ChatGPT為例，借助問卷考察了大語言模型在漢語辭書詞條自動編纂中的表現(xiàn)。研究選取40個詞目作為樣本，充分考慮詞性、詞長、義項數(shù)的多樣性，借助ChatGPT生成釋文，并與《現(xiàn)代漢語詞典》第7版進行對比分析。問卷調(diào)查顯示，ChatGPT編纂的詞條中有37.5%獲得了更多受訪者的認可，但整體質(zhì)量距離全面超越傳統(tǒng)辭書仍有差距。ChatGPT在單音字、單一詞性詞語的標注和單義項詞語的釋義方面具有優(yōu)勢，但對多音字、兼類詞、多義詞以及特殊語體詞的詞條編纂效果明顯下降，也暴露出義項遺漏、釋義不準確、舉例模式化等問題?？傮w而言，ChatGPT在辭書編纂中展現(xiàn)了生成新義、快速編纂等優(yōu)勢，但嚴謹性、系統(tǒng)性不足，難以獨立完成編纂任務。大語言模型正在不斷升級中，未來宜持續(xù)關(guān)注并將其用作辭書編纂的輔助工具，通過人機互助提高辭書編纂速度，提升辭書編纂質(zhì)量，推動漢語辭書智能化發(fā)展。

關(guān)鍵詞 辭書 詞條 自動編纂 大語言模型 ChatGPT

一、 引 言

詞條又稱條目，是詞典的基本查檢單位，一般包括詞目、注音、釋義、例證、語用說明和各種掛尾信息。詞條釋文的編纂是辭書編纂最重要、最費時、最耗精力的工作。自動編纂詞條釋文可以大幅提高辭書編纂效率，對辭書的現(xiàn)代化編纂具有重要意義。

詞條自動編纂的方法包括基于規(guī)則的方法（魏雪，袁毓林 2014）和基于深度學習的方法（Noraset et al. 2017；Gadetsky et al. 2018；Kong et al. 2022；范齊楠等 2021）等。近年來，生成式大語言模型的發(fā)展為詞條自動編纂提供了新方法和新契機，其中具有代表性的是OpenAI公司于2022年11月發(fā)布的智能聊天機器人程序ChatGPT。ChatGPT使用超大規(guī)模語料訓練，集成了指令學習、基于人類反饋的強化學習等一系列創(chuàng)新技術(shù)，能夠使用自然語言與用戶對話，理解、執(zhí)行用戶的請求。ChatGPT最初由GPT-3.5系列模型支持，其后更新的GPT-4模型性能進一步提升，在常識推理、代碼生成、閱讀理解、多學科測驗等任務中表現(xiàn)優(yōu)異，超越了現(xiàn)有其他模型（OpenAI et al. 2023）。Cai等（2023）讓ChatGPT作為被試，進行了包括語音、詞匯、語法、語義、語篇、對話等在內(nèi)的12項經(jīng)典的心理語言學實驗，發(fā)現(xiàn)ChatGPT能夠復制人類的語言行為模式，在10項實驗中達到了接近人類的水平。

隨著ChatGPT的流行，辭書編輯開始利用大語言模型輔助辭書編纂，學習者也開始利用大語言模型查詢詞語的含義與用法。這方面的研究主要集中于英語領(lǐng)域。Phoodai和R0ebd24df93cd6d80555e0d55b3e234a8ikk（2023）選取50個高頻英語詞，從微觀層面對比分析ChatGPT和《牛津高階學習詞典》（Oxford Advanced Learner’s Dictionary）的詞條，發(fā)現(xiàn)ChatGPT在為英語學習者提供詞匯數(shù)據(jù)項方面整體優(yōu)于后者（平均分高11%），而在提供上下文信息和互動能力方面存在不足。Lew（2023）邀請4位專家評估ChatGPT（GPT-3.5）生成的

15個詞條，與柯林斯在線詞典（Collins COBUILD Advanced Online）［1］進行比較，結(jié)果表明ChatGPT生成的釋義可與后者相媲美，但生成的例句和整體詞條獲得的評分較低。Rees和Lew（2024）面向二語學習者進行詞匯閱讀理解測試，分別提供ChatGPT（GPT-3.5）和麥克米倫在線詞典（Macmillan English Dictionary Online）［2］的詞條，發(fā)現(xiàn)ChatGPT和麥克米倫在線詞典均能讓學生的表現(xiàn)更優(yōu)，但前者對成績的提升不顯著，后者較顯著。ChatGPT在非英語詞條編纂領(lǐng)域的調(diào)研較少，有代表性的是Tran等（2023）的研究，他們針對斯洛文尼亞語進行釋義提取測評，發(fā)現(xiàn)釋義結(jié)構(gòu)明確、數(shù)據(jù)量較少時，基于規(guī)則的方法效果更好，釋義結(jié)構(gòu)寬泛、數(shù)據(jù)量較大時，Transformer和ChatGPT（GPT-3.5）一類大語言模型的效果更好，其中Transformer的精確率更高，ChatGPT的召回率更高。

本研究面向漢語語文辭書讀者，以ChatGPT（GPT-4）作為大語言模型的典型代表，通過問卷形式調(diào)查大語言模型自動編纂詞條的認可度，分析大語言模型自動編纂的質(zhì)量與特點，探討大語言模型為詞條自動編纂帶來的機遇與挑戰(zhàn)。

二、 研 究 方 法

（一） 調(diào)查對象

1. 詞目選擇

《現(xiàn)代漢語詞典》是一部久享盛譽的規(guī)范型詞典。本研究從《現(xiàn)代漢語詞典》第7版（以下簡稱《現(xiàn)漢》）中選取40個調(diào)查詞目，選取時充分考慮詞性、詞長、義項數(shù)、特殊用法的多樣性，用盡可能少的詞目覆蓋盡可能多的調(diào)查項目。40個詞目為：哎、彼、不、城、均、了、梅、人、些、咬、包袱、并且、除了、吹填、催淚、第一、短線、感冒、干凈、紅線、呼啦、回信、剪影、進行、克隆、暌違、龍頭、矛盾、美工、逆天、熱絡、信箱、應該、著調(diào)、左右、兜底翻、互聯(lián)網(wǎng)+、花花搭搭、鐵帽子王、阿爾茨海默病。

下面介紹40個詞目的涵蓋范圍。在詞性方面，涉及《現(xiàn)漢》標注的所有12個大類，包含實詞35個、虛詞5個。單類詞（單一詞性的詞）和兼類詞的比例為4∶1，單類詞以名詞、動詞和形容詞為主，分別占比27.5%、17.5%、12.5%；在詞長方面，二字詞最多（25個），單字詞其次（10個），3字及以上的詞目最少（5個）；在詞義數(shù)方面，義項數(shù)平均值為2.9，最小值為1，最大值為9，以雙義詞、三義詞和單義詞為主，分別為17、7、6個；在語體和語域方面，包含科技詞10個，口語詞、方言詞和文言詞共8個，其余為普通語文詞；在新詞新義方面，包含《現(xiàn)漢》新增詞目或新增義項9個，占比22.5%。

2. 自動編纂的詞條

本研究借助ChatGPT（GPT-4）實現(xiàn)詞條自動編纂，具體步驟為：（1） 打開ChatGPT網(wǎng)頁版人機對話窗口，輸入提示詞，約定自動編纂要求的同時引導ChatGPT在后續(xù)對話中直接根據(jù)詞目生成釋文；（2） 輸入一個詞目，獲取ChatGPT自動編纂的釋文；（3） 重復步驟（2），直至獲取所有詞目的釋文。

提示詞除了明確ChatGPT需要完成的具體任務外，還對釋義要求進行了詳細的約定，包括釋義的體例和風格要與《現(xiàn)漢》保持一致等。提示詞的撰寫參考了《現(xiàn)漢》凡例，但實驗表明將整個凡例提交給ChatGPT并不能獲得更好的結(jié)果。經(jīng)過對提示詞進行多輪調(diào)整和優(yōu)化，最終選擇的提示詞如下［3］：

請你充當一個專業(yè)的漢語辭書編輯，按照中型現(xiàn)代漢語辭書的標準，為輸入詞目編纂權(quán)威、正確、規(guī)范的釋義。嚴格按照以下格式：

圓括號中的內(nèi)容為可選項，根據(jù)詞條實際情況選擇；讀作輕聲時注音不標調(diào)號，只在拼音前加·；詞性標記使用簡稱，包括｛名｝｛動｝｛形｝｛副｝｛量｝｛數(shù)｝｛代｝｛介｝｛連｝｛助｝｛嘆｝｛擬聲｝十二類；劃分出的義項盡可能全面涵蓋詞目意義和用法；同一類型詞目應在釋義模式和語言風格上保持一致；舉例應簡潔明了、典型，其中詞目用～代替；詞目屬于外來音譯詞時，在釋義最后附注外文原文，如：“伏特加”……［俄водка］。三類典型的詞目釋義方式如下：

1. 單義詞

“詞目” 拼音｛詞性｝ 釋義（：舉例1 |舉例2 |舉例3……）。

2. 多義詞且所有詞性相同

“詞目”拼音｛詞性｝①釋義（：舉例1 |舉例2 |舉例3……）。②釋義（：舉例1 |舉例2 |舉例3……）。③……。

3. 兼類詞

“詞目”拼音①｛詞性｝釋義（：舉例1 |舉例2 |舉例3……）。②｛詞性｝釋義（：舉例1 |舉例2 |舉例3……）。③……。

以“熱絡”和“彼”為例，ChatGPT自動生成并經(jīng)后處理［4］的詞條見下：

熱絡 rèluò ①形容感情親密，交往頻繁：他們之間的關(guān)系很～|～的氣氛。②指活動或場合氣氛熱烈，人際交往頻繁：聚會十分～|市場～。（ChatGPT）

彼 bǐ ①指遠離說話人和聽話人的人或事物：～岸|～處。②用于指代前文已提到的人或事物：～時|～人。③古代文言文中，常用作男子的美稱：～生|～君。（ChatGPT）

“熱絡”和“彼”在《現(xiàn)漢》中的釋文見下：

熱絡 rèluò ①親熱：兩人關(guān)系～。②熱烈：氣氛～。③頻繁：兩國領(lǐng)導人往來～。（《現(xiàn)漢》）

彼 bǐ ①指示代詞。那；那個（跟“此”相對）：～時|此起～伏|由此及～。②人稱代詞。對方；他：知己知～|～退我進。（《現(xiàn)漢》）

瀏覽ChatGPT自動編纂的詞條可以發(fā)現(xiàn)，ChatGPT自動編纂結(jié)果符合預先設計的體例要求，具有較高可讀性。但是，對于同一個詞目，ChatGPT自動編纂的釋文和《現(xiàn)漢》中的釋文存在比較明顯的差異。

（二） 調(diào)查工具

調(diào)查采用問卷形式，借助問卷星的微信小程序發(fā)放和回收問卷。研究為每個詞目設置1個問題，包含兩個候選項，即同一詞目對應的《現(xiàn)漢》詞條和ChatGPT自動編纂的詞條，選項之間隨機排列，不提示釋義來源。問卷導語對作答標準進行了說明：“請參照中型通用現(xiàn)代漢語辭書的標準，從兩個選項中選擇你認為更合理、質(zhì)量更高的詞條：釋義無錯誤，義項劃分更合理，釋義更清晰，舉例更恰當，更能滿足實際查詢需求，等等?！?/p>

除上述問題外，問卷還收集了受訪者年齡、身份、受教育程度、學科、辭書使用頻次等5項背景信息。

三、 結(jié)果與討論

（一） 受訪者情況

調(diào)查共回收202份有效問卷，平均填寫時長為10分鐘。所有受訪者均為漢語母語者，平均年齡為23歲。學生群體占比最大（93.07%），學生家長和教師占比較小（6.93%）。受訪人群的受教育程度以本科（64.36%）和碩士（32.67%）為主，詳見圖1。受訪群體來自多元學科，以文學專業(yè)（28.71%）和教育學專業(yè)（16.83%）為主，詳見圖2。受訪者辭書使用頻率多為偶爾使用（37.13%），有時使用（34.16%）和經(jīng)常使用（15.35%）次之，詳見圖3?？傮w來說，本次受訪對象主要為接受過高等教育、有一定辭書使用需求和習慣的年輕學生群體，具備對詞條優(yōu)劣進行準確判斷的能力。

（二） 大語言模型詞條自動編纂整體表現(xiàn)

1. 詞條自動編纂的整體表現(xiàn)

為評估ChatGPT在詞條自動編纂上的整體表現(xiàn)，本研究選擇每個問題中支持ChatGPT編纂詞條的受訪者比例，作為該詞目在自動編纂任務上的得分。全部詞目自動編纂的平均得分為0.548，中位數(shù)為0.579，標準差為0.199。40個詞目中有15個得分大于0.5，占比37.5%，說明ChatGPT編纂的詞條中有37.5%被更多的受訪者判定為優(yōu)于

《現(xiàn)漢》。為進一步分析ChatGPT自動編纂的整體效果，本文將0.0至1.0的得分區(qū)間劃分為5個，每個區(qū)間的寬度為0.2。各區(qū)間的詞條數(shù)量及其占比如表1所示：

表1顯示，最低得分區(qū)間（0.0—0.2）的詞條數(shù)量為0，表明所有由ChatGPT編纂的詞條中，沒有一條被超過80%的受訪者認為比《現(xiàn)漢》差。換言之，每個ChatGPT編纂的詞條至少有20%的人認為其質(zhì)量更好。在得分最高的區(qū)間（0.8—1.0）內(nèi)，只有5個詞條，僅占總數(shù)的12.5%。這表明，被超過80%的受訪者認為優(yōu)于《現(xiàn)漢》的ChatGPT編纂詞條數(shù)量較少。ChatGPT自動編纂呈現(xiàn)出平均分越高、詞條數(shù)量越少的趨勢，意味著大部分ChatGPT自動編纂的詞條質(zhì)量尚未達到很高的水平，明顯優(yōu)于傳統(tǒng)詞典釋義的詞條數(shù)量相對較少。總的來說，盡管所有ChatGPT編纂的詞條都有一定的支持者，但其整體質(zhì)量距離全面超越傳統(tǒng)詞典還有一定差距，特別優(yōu)秀的詞條只占少數(shù)。ChatGPT在詞條編纂領(lǐng)域展現(xiàn)出了一定的潛力，但要達到更高的水平仍需進一步提升。

2. 不同類型詞條自動編纂的整體表現(xiàn)

為進一步探究ChatGPT自動編纂釋文在不同詞語類型上的表現(xiàn)差異，本研究按照詞性、兼類性質(zhì)、詞長、義項數(shù)、語體標記和學科6個維度，分類統(tǒng)計詞條平均分，結(jié)果如表2所示：

表2顯示，在詞性方面，實詞平均分為0.565，高于虛詞的0.428，表明ChatGPT在實詞釋義上的表現(xiàn)優(yōu)于虛詞。這可能是由于實詞承載了詞語的主要意義信息，而虛詞更多表達語法功能，前者更容易通過大規(guī)模語料學習并生成相關(guān)解釋。在兼類性質(zhì)方面，單類詞平均分為0.573，高于兼類詞的0.449，表明詞性越單一，生成的釋文越容易被認可。對于兼類詞而言，由于其在不同語境下展現(xiàn)出不同語法功能，增加了自動編纂的難度。在詞長方面，二字詞的平均分最高，為0.574，多字詞平均分為0.522，單字詞的平均分最低，為0.495?，F(xiàn)代漢語中二字詞分布最普遍，ChatGPT為這類詞語自動編纂的釋文能夠獲得一定的認可度，而單字詞中一部分兼做語素，功能和用法更加多樣，自動編纂的釋文認可度有所下降。在義項數(shù)量方面，單義項的詞平均分最高，為0.683，義項數(shù)大于3的詞平均分最低，為0.433。義項數(shù)越多的詞語，相對而言語義越豐富，用法越復雜，ChatGPT釋文不全面、不準確的概率也隨之增加。相反，對于單一義項的詞語，ChatGPT的釋文能夠獲得更多的認可。在語體方面，口語詞、方言詞、文言詞的平均分僅為0.478，低于一般詞語的0.565?？梢姰斍癈hatGPT對口語詞、方言詞、文言詞等語體詞語的自動編纂能力還有待提升。在學科領(lǐng)域方面，科技詞條的平均分達到了0.601，優(yōu)于其他詞語的0.53，表明ChatGPT在科技術(shù)語的自動編纂上具有一定優(yōu)勢，這可能得益于訓練語料中包含了大量的科技文本，使其能夠較好地掌握科技術(shù)語的概念。

（三） 大語言模型詞條自動編纂的細節(jié)表現(xiàn)

本研究中，詞條由讀音、詞性、一個或多個義項、掛尾信息等組成，每個義項又包含釋義和例句等信息。問卷調(diào)查結(jié)果僅反映受訪者對詞條整體質(zhì)量的評判，缺乏對詞條組成部分的細致考察。為了更全面地評估，本研究對詞條各組成部分進行分析，從更多視角評估大語言模型的自動編纂表現(xiàn)。

1. 注音準確性分析

40個詞目樣本中，ChatGPT對36個詞目的注音完全正確，僅有4個詞目注音錯誤，錯誤率為10%?！爸{(diào)”“鐵帽子王”“花花搭搭”“除了”的讀音分別被錯標為“zhuótiáo”

“tiěmàozǐwáng”“huāhuādādā”“chúle”，標注錯誤集中在多音字或輕聲音節(jié)。然而，ChatGPT具備按提示詞標注輕聲音節(jié)的能力，比如“了”的拼音被準確標注為“·le”。

為更準確評估ChatGPT的注音能力，本研究從《現(xiàn)漢》中另外選取200個詞語作為樣本，其中僅包含單音字的詞和包含多音字的詞各100個。每個詞語從《現(xiàn)漢》中抽取對應的1個例句，由ChatGPT自動標注詞語讀音。不同類型詞語的注音準確率如表3所示：

200個詞語中，ChatGPT的平均注音準確率為93.0%，有14個詞注音錯誤。在讀音方面，僅包含單音字的詞語注音錯誤數(shù)量為3，平均準確率為97.0%；包含多音字的詞語注音錯誤數(shù)量為11，平均準確率為89.0%。根據(jù)聲調(diào)、詞長、語體標記等特征進一步細分時，包含多音字的詞的準確率均低于前者，說明ChatGPT為單音字注音時準確率較高，為多音字注音時更容易出錯，其中當標注對象同時包含多音字和輕聲字時，注音準確率最低，僅為70.0%。在聲調(diào)方面，對于不含輕聲的詞語，ChatGPT的注音準確率為96.3%；對于輕聲詞，ChatGPT的注音準確率降至80.0%，比如例句“紅霞映山崖呃！”中，“呃”讀為“·e”，ChatGPT標注為“è”。可見ChatGPT在輕聲字的標注上仍有較大的提升空間。在詞長方面，單字詞的注音準確率為97.6%，二字詞和多字詞的注音準確率為89.6%，說明詞長增加時，ChatGPT標注錯誤的概率增大。在語體標記方面，一般詞語的注音準確率為95.3%，口語詞、方言詞、文言詞等特殊語體詞語的注音準確率為86.0%，比如例句“累累若喪家之狗”中，“累累”為書面詞，讀為“l(fā)éiléi”，ChatGPT標注為“l(fā)ěilěi”。根據(jù)抽樣結(jié)果，ChatGPT對多音字、輕聲字、多字詞、口語詞、方言詞、文言詞等特殊類型字詞的注音準確率均低于90.0%，更依賴人工檢查和修正。

2. 詞性標注準確性分析

ChatGPT為40個詞目生成了102個義項，其中32個詞目的詞性標注完全準確，占全部詞目數(shù)的80%；87個義項的詞性標注準確，占全部義項數(shù)的85.3%。ChatGPT識別為多義詞的35個詞目中，27個詞目的同性標注完全正確，占比為77.1%。詞性標注錯誤的詞語均為多義詞，其中4個多義詞的所有詞性均標注錯誤，4個多義詞的詞性同時包含正確標注和錯誤標注。由此可見，ChatGPT對單義詞的詞性標注較為準確，標注多義詞的詞性時，性能更加不穩(wěn)定，可能出現(xiàn)標注錯誤。ChatGPT詞性標注錯誤詳情如表4所示：

詞性標注屬于自然語言處理領(lǐng)域的基礎任務，目前中文詞性標注已經(jīng)達到了較高精度。以通用的PFR《人民日報》標注語料庫為例，袁里馳（2023）的方法在該數(shù)據(jù)集上的詞性標注精確率和召回率分別為97.67%、97.48%。相比單純對給定文本進行詞性標注，詞條釋文生成與詞性標注相結(jié)合的任務難度更大。本研究中，ChatGPT的義項詞性標注精確率和召回率分別為85.3%和75.0%，標注錯誤的概率較高。一種錯誤情形是對于單一詞類的多義詞，ChatGPT將詞目所有義項或部分義項的詞性標注錯誤，比如“應該”屬于動詞中的助動詞小類，ChatGPT將所有義項統(tǒng)一標注為助詞；“除了”只有介詞詞性，ChatGPT生成了兩個義項，詞性分別標注為介詞、連詞。另一種錯誤情形是對于兼類詞，ChatGPT將部分義項的詞性標注錯誤，比如“催淚”涉及動詞和形容詞詞性，ChatGPT生成了兩個義項，都標注為形容詞。

3. 義項劃分合理性分析

義項劃分指將多義詞的不同詞義按照一定標準加以區(qū)分和排列。合理的義項劃分有助于準確表達詞目含義、揭示詞義關(guān)聯(lián)、提高詞條可讀性。然而，編纂目的不同，辭書讀者群體不同，義項劃分標準也不盡相同。辭書編纂人員在進行義項劃分時同樣面臨諸多挑戰(zhàn)，不同編纂人員的詞義劃分結(jié)果也可能存在差異。因此，義項劃分準確性的評判往往具有一定的主觀性。本文僅以《現(xiàn)漢》的義項劃分作為參照，評估模型義項劃分的合理性。

從義項數(shù)量上看，《現(xiàn)漢》對本次調(diào)查的40個詞目劃分的義項數(shù)最小為1個，最大為9個，平均義項數(shù)為2.9個。ChatGPT對40個詞目劃分的義項數(shù)最小為1個，最大為5個，平均義項數(shù)為2.55個。這一結(jié)果表明，與參照辭書相比，ChatGPT生成的詞條在義項數(shù)量上總體較為精簡。

從義項內(nèi)容上看，ChatGPT能生成《現(xiàn)漢》未收錄的義項，讓部分詞條得到受訪者更高的認可度。然而，ChatGPT在義項劃分方面也存在一些不足，主要表現(xiàn)為常用義劃分粒度過細，罕用義存在遺漏。以“紅線”“哎”“進行”“人”和“感冒”為例，ChatGPT生成的詞條和《現(xiàn)漢》詞條見下：

紅線 hóngxiàn ①用紅色染料染成的線：～布。②比喻不可逾越的界限或原則：這是一個政策的～|～問題不容觸犯。③中國民間傳說中的一種象征性物品，常用以表示天注定的緣分，特別是婚姻：相傳月老用～將有緣人連在一起。④在地圖或圖表上用紅色線條標示的線，常用以表示特定的數(shù)據(jù)或趨勢：地圖上的～表示鐵路線路|銷售額的～持續(xù)上升。

（ChatGPT）

哎 āi ①表示驚訝、感嘆或召喚時的發(fā)聲：～，你看那邊！|～，小張，過來一下。②表示悲傷、嘆息或無奈時的發(fā)聲：～，怎么會這樣？|～，真是沒辦法。③用于語句開頭，引起對方注意，沒有實際意義：～，我告訴你一個好消息|～，這件事情是這樣的。（ChatGPT）

進行 jìnxíng ①表示開始并繼續(xù)做某事：～調(diào)查|項目～中。②指沿著一定路線前進：隊伍～了三公里|～式游行。③進展，發(fā)展：談判～得很順利|工作～得怎么樣？（ChatGPT）

人 rén ①指人類，是地球上智力最高的生物：～類|～口。②指個體，通常指成年的男性或女性：外國～|老～。③指有某種身份或特征的人：學～|好～。④指工作人員或服務人員：服務～員|技術(shù)～才。⑤用于計算人數(shù)的量詞：三個～|一大群～。（ChatGPT）

感冒 gǎnmào ①一種常見的呼吸道感染疾病，通常由病毒引起，癥狀包括發(fā)熱、咳嗽、鼻塞、喉嚨痛等：～癥狀|預防～。②指患上感冒：他～了|小心不要～。（ChatGPT）

《現(xiàn)漢》中的釋義見下：

紅線 hónɡxiàn ①指一以貫之的正確理論或思想：唯物辯證法是貫穿全書的一根～。②指劃定禁區(qū)范圍的界線：守住耕地保護的～|制度～，不容越過。（《現(xiàn)漢》）

哎 āi ①表示驚訝或不滿意：～！真是想不到的事|～！你怎么能這么說呢?、诒硎咎嵝眩骸?，我倒有個辦法，你們大家看行不行？（《現(xiàn)漢》）

進行 jìnxínɡ ①從事（某種活動）：～討論|～工作|～教育和批評|會議正在～。

“進行”總是用在持續(xù)性的和正式、嚴肅的行為，短暫性的和日常生活中的行為不用“進行”，例如不說“進行午睡”，“進行叫喊”。②前進：～曲。（《現(xiàn)漢》）

人 rén ①能制造工具并使用工具進行勞動的高等動物：男～|女～|～們|～類。

②每人；一般人：～手一冊|～所共知。③指成年人：長大成～。④指某種身份或職業(yè)的人：工～|軍～|主～|介紹～|電影～|媒體～。⑤別人：～云亦云|待～誠懇。⑥指人的品質(zhì)、性格或名譽：丟～|這個同志～很好|他～老實。⑦指人的身體或意識：這兩天～不大舒服|送到醫(yī)院～已經(jīng)昏迷過去了。⑧指人手、人才：～浮于事|我們這里正缺～。⑨（Rén）姓。（《現(xiàn)漢》）

感冒 ɡǎnmào ①傳染病，病原體是病毒，在身體過度疲勞、著涼、抵抗力降低時容易引起。癥狀是咽喉發(fā)干、鼻塞、咳嗽、打噴嚏、頭痛、發(fā)熱等。②患這種病。||也叫傷風。

③〈口〉感興趣（多用于否定式）：他對打牌從來就不～。（《現(xiàn)漢》）

關(guān)于詞條“紅線”，盡管ChatGPT生成的義項①價值不大，但義項③和④卻具有一定的參考價值，最終86.1%的受訪者認為ChatGPT生成的詞條更優(yōu)。

關(guān)于詞條“哎”和“進行”，與《現(xiàn)漢》相比，ChatGPT對“哎”的義項劃分更為細致，但義項并不是分得越細越好，過于細分反而容易使詞義不夠清晰，給讀者查找和定位義項帶來困難；ChatGPT為“進行”生成的義項①和③意思相近，《現(xiàn)漢》處理為同一個義項。Jakubí?ek和Rundell（2023）提到了類似的現(xiàn)象，即ChatGPT傾向于用不同的方式解釋同一個意義，這可能導致模型生成的詞條中出現(xiàn)信息冗余，需要人工進行甄別和修改。

關(guān)于詞條“人”和“感冒”，“人”屬于基本詞，用法較多，ChatGPT只生成了“人”的一些常用義項，而沒有生成《現(xiàn)漢》中⑥—⑨對應的義項，這些義項與漢語特定的文化背景和表達習慣密切相關(guān)，反映了“人”用法的多樣性和靈活性；ChatGPT生成了“感冒”在醫(yī)學領(lǐng)域的義項，但未生成“感冒”在口語中的用法?？梢姡幚砭哂刑厥庹Z體色彩的詞語時，ChatGPT的表現(xiàn)不夠理想，容易遺漏一些非常用義或“地道”的表達方式。

綜上所述，ChatGPT在義項劃分上展現(xiàn)出了一定的創(chuàng)新性，能夠從新穎的角度提供具有啟發(fā)性的義項，是其優(yōu)勢所在。與此同時，ChatGPT在常用義和罕用義的處理上還存在一些不足，如義項劃分顆粒度把握不當、對部分義項的遺漏等。這些問題的存在凸顯了人機協(xié)作的必要性，即由專業(yè)編纂人員對機編義項進行審核和調(diào)整，在提高編纂效率的同時，為用戶呈現(xiàn)更加準確、全面且富有特色的義項劃分。

4. 釋義準確性分析

釋義是對詞義的解釋，是詞條最核心的組成部分，直接影響著用戶對詞目的理解和使用。詞條釋義應該準確、簡明、規(guī)范，清楚地闡釋詞語的意義、用法和語法特點等信息。ChatGPT熟練掌握了“指”“形容”“比喻”“表達”等辭書釋義用詞，生成的釋義語言簡潔、通俗易懂，沒有明顯的語法錯誤，例如“回信”和“逆天”：

回信 huíxìn ①對收到的信件作出的答復：收到一封～|期待你的～。②對收到的信件進行回復：請盡快～。

逆天 nìtiān 網(wǎng)絡流行語，原指違背自然法則或常理，后泛指某人或某事物的能力、表現(xiàn)遠超常人或常規(guī)，達到了令人難以置信的程度：他的記憶力簡直～|這款游戲的難度～。

然而，ChatGPT生成的釋義也存在一些問題，主要包括以下兩種情況：

（1） 完全虛構(gòu)釋義?；糜X現(xiàn)象是大語言模型普遍存在的問題，ChatGPT生成的釋義可能與事實不符。虛構(gòu)的釋義缺乏真實性和可靠性，容易誤導讀者。例如，“兜底翻”的ChatGPT釋義和《現(xiàn)漢》釋義如下：

兜底翻 dōudǐfān ①指在體操、雜技或其他運動中，以雙腳為軸心進行的一種翻轉(zhuǎn)動作，身體形成一個圓弧：完成一次～|～訓練。②泛指在其他領(lǐng)域中進行的類似翻轉(zhuǎn)、翻身的行動或變化：事業(yè)上的～|策略上的～。（ChatGPT）

兜底翻 dōudǐfān ①比喻把底細全部揭露出來：對這起事故的原因要～，徹底查，決不姑息。②比喻徹底換掉：工作要有連續(xù)性，不要換一屆領(lǐng)導就～。（《現(xiàn)漢》）

“兜底翻”原指為尋找某物將所有東西都翻出來，常用來借指徹底推翻原有的計劃、方案，《現(xiàn)漢》收錄了該詞的兩個比喻義。ChatGPT將“兜底翻”解釋為一種運動動作，不符合實際。

（2） 釋義不準確。有時ChatGPT僅給出詞目中個別語素的含義，以偏概全。例如，ChatGPT為“左右”生成的釋義如下：

左右 zuǒyòu ①表示方位，與“右”相對：他站在我～|～手?！–hatGPT）

義項①的釋義實際是“左”的含義，ChatGPT生成時忽略了“右”，使用“左”來代表“左右”，未能準確表達“左右”作為方位詞的意義。

有時ChatGPT對詞目概念的描述不夠嚴謹、不夠清晰。例如，ChatGPT為“矛盾”生成的釋義如下：

矛盾 máodùn ①古代兵器，一端是矛，另一端是盾。……（ChatGPT）

義項①前半部分“古代兵器”符合“矛盾”的性質(zhì)，但進一步的描述存在問題，“一端是矛，另一端是盾”容易讓讀者誤以為“矛”和“盾”是同一兵器的兩個部分，但實際上“矛”和“盾”是兩種兵器。

5. 舉例準確性分析

辭書編纂中的舉例按照形式可分為詞例、短語例、句例、句群例等。傳統(tǒng)的舉例編纂方式包括自編、改編和書證，而隨著自然語言處理技術(shù)的發(fā)展，大語言模型已經(jīng)能夠自動生成不同形式的舉例，即機編例子。40個詞目不同形式的舉例的數(shù)量見表5所示：

ChatGPT生成的舉例數(shù)整體上高于《現(xiàn)漢》，以短語例（54.55%）為主，其次是句例（37.88%），詞例數(shù)量較少（7.58%），未生成句群例；《現(xiàn)漢》舉例以短語例（47.49%）和c/ICAlStMK7KjOiSx8G7vSgRnee0iycDKX0rt0qm8vw=句例（40.22%）為主，詞例數(shù)量較少（10.61%），此外包含少量句群例（1.68%）形式。相比于《現(xiàn)漢》，ChatGPT生成詞目的舉例類型更為單一，短語例出現(xiàn)最為頻繁，詞例、句例和句群例的比例均略低于《現(xiàn)漢》。盡管在詞條自動編纂釋文的提示詞中，舉例被描述為可選項，但ChatGPT為所有詞目無一例外地生成了舉例。ChatGPT和《現(xiàn)漢》詞條中各個義項舉例數(shù)量的標準差分別為0.27和1.51，可見ChatGPT舉例數(shù)量整體分布較平均，相比之下，《現(xiàn)漢》對用法多的詞目集中舉例，非必要不舉例，兼顧了典型性和針對性。

《〈現(xiàn)代漢語詞典〉編纂細則》（呂叔湘2004）在總則中論述了辭書舉例的指導思想，“舉例要注意思想內(nèi)容，語言生動活潑，并且多樣化。切忌內(nèi)容庸俗，形式大同小異，語言僵硬單調(diào)”。經(jīng)過檢查，ChatGPT生成的舉例存在虛構(gòu)和重復等問題。比如，ChatGPT為詞目“干凈”“不”“左右”生成了“干凈官”“不勝似敗”“成敗由左右”等例子，漢語中不存在這些用法。舉例重復問題以“著調(diào)”為例：

著調(diào) zhuótiáo ①形容事物調(diào)和，搭配得當：這套家具的顏色很～|裝飾得～。②指言行得體，合乎情理：他做事總是很～|談吐～。③形容人或事物有特色，引人注目：這個設計很～|她的穿搭風格很～。（ChatGPT）

“著調(diào)”三個義項的舉例都反復出現(xiàn)“很～”結(jié)構(gòu)，雖然整體能夠體現(xiàn)詞語的語義搭配用法，但句法形式缺乏變化，存在公式化問題，同時內(nèi)容不夠精簡，占用較大篇幅。

綜上所述，ChatGPT雖然能快速生成舉例，但其多樣性、靈活性、針對性有待提高。可以通過優(yōu)化提示詞、提供包含詞目的語料等方式，進一步提升機編例子的質(zhì)量，使其在句法結(jié)構(gòu)和語義表達上更加豐富多樣，更好地滿足辭書舉例實際需求。此外，也可以限定舉例形式和數(shù)量，讓ChatGPT有針對性地生成更多舉例，供辭書編纂人員挑選。

四、 余 論

本文以ChatGPT為例，調(diào)查了大語言模型在漢語辭書詞條自動編纂中的表現(xiàn)。結(jié)果表明，ChatGPT在注音和詞性標注方面展現(xiàn)出較高的準確率，尤其對單音字和單一詞性詞的標注效果更佳。ChatGPT能夠從新穎角度提供具有啟發(fā)性的義項，體現(xiàn)出一定的創(chuàng)新性。在釋義方面，ChatGPT生成的釋文語言簡潔通俗，無明顯語法錯誤。同時，ChatGPT能快速、批量生成舉例，節(jié)省人力。然而，ChatGPT在處理多音字、輕聲字、多義詞、口語詞、方言詞、文言詞等特殊詞語時，注音和詞性標注的準確率有待提高，對義項劃分把握也欠佳，容易遺漏非常用義項。此外，ChatGPT生成的釋義可能出現(xiàn)虛構(gòu)或不準確等情況，包括舉例形式單一、內(nèi)容重復、針對性不足等問題。

ChatGPT等大語言模型為傳統(tǒng)辭書編纂模式帶來了新的啟示。一方面，ChatGPT可作為辭書編纂的輔助工具，通過高效生成詞條初稿，實現(xiàn)人機協(xié)同，節(jié)省編纂時間，提升編纂質(zhì)量。另一方面，針對性優(yōu)化大語言模型在辭書編纂中的應用，如專門訓練或微調(diào)模型、完善釋義機制、豐富舉例形式等，將有助于提高機編辭書的整體水平。此外，充分發(fā)揮大語言模型的技術(shù)優(yōu)勢，積極探索辭書編纂的創(chuàng)新路徑，如拓展義項劃分視角、實現(xiàn)辭書動態(tài)更新、滿足用戶個性化需求等，也是值得關(guān)注的發(fā)展方向。同時，在語料選取、模型架構(gòu)設計、評估體系構(gòu)建等技術(shù)層面進行持續(xù)優(yōu)化，將為大語言模型賦能辭書編纂提供更加堅實的基礎。

隨著人工智能的發(fā)展，大語言模型必將助力漢語辭書向智能化方向發(fā)展，但此間也將面臨諸多挑戰(zhàn)。辭書編纂模式變革、查檢方式創(chuàng)新固然值得期待，但編纂理念更新、知識產(chǎn)權(quán)保護、人才隊伍建設等問題也同樣值得關(guān)注。推動漢語辭書編纂理論和實踐的創(chuàng)新發(fā)展，需要在借鑒大語言模型等前沿技術(shù)的同時，加強傳統(tǒng)編纂理論與人工智能技術(shù)的深度融合，建立健全人機協(xié)同的辭書編纂新范式。只有在堅持傳承與創(chuàng)新并重的基礎上，加強多學科交叉融合，才能更好地推進漢語辭書編纂事業(yè)的智能化發(fā)展，為廣大讀者提供更加優(yōu)質(zhì)、高效、個性化的辭書服務。

本研究的不足主要有：（1） 設計問卷時，考慮到受訪者作答時間因素，將最初的100個詞目降為40個詞目，樣本數(shù)量的減少一定程度上影響了樣本的代表性和結(jié)論的可靠性。（2） 研究主要采用問卷調(diào)查的方式，通過受訪者的主觀判斷來評估ChatGPT編纂詞條的整體質(zhì)量，評估指標較為單一。（3） 文章重點關(guān)注ChatGPT在詞條自動編纂中的表現(xiàn)，但缺少與其他自動編纂方法的對比，缺少不同大語言模型之間的對比。（4） 提示詞的編寫有許多策略，本文對這些策略的使用不夠充分。未來可針對上述不足進一步擴展本研究。

附 注

［1］ 主頁：https：//www.collinsdictionary.com/dictionary/english。

［2］ 主頁：https：//www.macmillanenglish.com。

［3］ ChatGPT使用該提示詞生成GI1ooJzO4umsAqz4J1HmGTorE+8fjuvGwpRKZc+Vq2A=釋義的時間為2024年1月23日。

［4］ ChatGPT直接生成的詞條見下：

“熱絡” rèluò ｛形｝①形容感情親密，交往頻繁：他們之間的關(guān)系很～|～的氣氛。②指活動或場合氣氛熱烈，人際交往頻繁：聚會十分～|市場～。（ChatGPT）

“彼” bǐ ｛代｝ ①指遠離說話人和聽話人的人或事物：～岸|～處。②用于指代前文已提到的人或事物：～時|～人。③古代文言文中，常用作男子的美稱：～生|～君。（ChatGPT）

為便于同《現(xiàn)漢》詞條對比，我們對ChatGPT生成的詞條進行了后處理：詞目刪除雙引號，詞性外加方框。

［5］ 括注內(nèi)的序號表示標注了當前詞性的義項號。

參考文獻

1. 范齊楠，孔存良，楊麟兒，等.基于BERT與柱搜索的中文釋義生成.中文信息學報，2021（11）：80-90.

2. 呂叔湘.《現(xiàn)代漢語詞典》編寫細則. //中國社會科學院語言研究所詞典編輯室編.《現(xiàn)代漢語詞典》五十年.北京：商務印書館，2004.

3. 魏雪，袁毓林.基于規(guī)則的漢語名名組合的自動釋義研究.中文信息學報，2014（3）：1-10.

4. 袁里馳.基于BiLSTM-CRF的中文分詞和詞性標注聯(lián)合方法.中南大學學報，2023（8）：3145-3153.

5. 中國社會科學院語言研究所詞典編輯室編，現(xiàn)代漢語詞典（第7版）.北京：商務印書館，2016.

6. Cai Z，Haslett D，Duan X，et al. Do Large Language Models Resemble Humans in Language Use？ arXiv preprint arXiv：2303.08014，2023.

7. Gadetsky A，Yakubovskiy I，Vetrov D. Conditional Generators of Words Definitions. //Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics，2018（2）：266-271.

8. Jakubí?ek M，Rundell M. The End of Lexicography？ Can ChatGPT Outperform Current Tools for Post-editing Lexicography？ //Proceedings of the eLex 2023 Conference，2023：518-533.

9. Kong C，Chen Y，Zhang H，et al. Multitasking Framework for Unsupervised Simple Definition Generation. // Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics，2022（1）：5934-5943.

10. Lew R. ChatGPT as a COBUILD lexicographer. Humanities and Social Sciences Communications，2023（10）：1-10.

11. Noraset T，Liang C，Birnbaum L，et al. Definition Modeling：Learning to Define Word Embeddings in Natural Language. // Proceedings of the AAAI Conference on Artificial Intelligence，2017（31）：3259-3266.

12. OpenAI，Achiam J，Adler S，et al. GPT-4 Technical Report. arXiv preprint arXiv：2303.08774，2023.

13. Phoodai C，Rikk R. Exploring the Capabilities of ChatGPT for Lexicographical Purposes：A Comparison with Oxford Advanced Learner’s Dictionary within the Microstructural Framework.

//Proceedings of the eLex 2023 Conference，2023：335-365.

14. Rees G，Lew R. The Effectiveness of OpenAI GPT-Generated Definitions Versus Definitions from an English Learners’ Dictionary in a Lexically Orientated Reading Task. International Journal of Lexicography，2024（1）：50-74.

15. Tran H，Podpe?an V，Tomazin M，et al. Definition Extraction for Slovene： Patterns，Transformer Classifiers and ChatGPT. //Proceedings of the eLex 2023 Conference，2023：19-38.

（張永偉 中國社會科學院大學文學院/中國社會科學院辭書編纂研究中心 北京 102488；

劉 婷 中國社會科學院大學文學院 北京 102488）

（責任編輯 郎晶晶）