论文摘要
“把”字句是现代汉语里面最常见也最有争议的一种基本句式。本论文主要讨论“把”字句的句法结构和句法生成问题。作者首先在前人研究成果的基础上借鉴前人研究的方法,找出在研究“把”字句方面仍然存在的问题,然后对“把”字句中的主要成分逐个进行分析,指出充当各个成分的可能的语类并探讨其句法特征。最后作者在普遍语法,特别是最简方案的框架下,对“把”字句的生成方式和句法结构重新作出了分析。在以前的生成句法研究中,“把”曾经被认为是动词、介词、赋格词、致使结构中心词和功能语类词。而针对“把”后的名词词组的定性与否及其句法原始生成的位置问题,“把”后动词词组复杂的结构和限制的问题,不同的语言学家有不同的观点。各家的观点都有可取的方面,但是都没有给出完整满意的解释。Chomsky(1998)指出普遍语法中存在三个核心功能语类,即C、T和v,在生成过程中存在三个运算方式,即合并(Merge)、移位(Move)、一致(Agree)。此论文首先通过论证,指出“把”不可能属于v、T或C其中的任何一个,因为如果“把”属于其中的任何一个,我们都只会得到非“把”字句。作者借助Radford(2004)对于Luigi Rizzi的CP分裂假说的介绍,并且依据对焦点与话题的区分,通过对在句法层面上话题的论证指出“把”字句中的“把”后紧跟的名词成分是整个句子的次话题(这是相对于把字句的主话题整个句子的主语而言的),基础生成于主动词的标识语位置,具有specific的属性,有被“把”字提前突出的性质,并且由此提出一个功能语类Topic,它的拼读形式为“把”,“把”占据其最大投射的中心词的位置。Topic作为一个功能语类,具有[EPP]特征和不可解释性特征[Topic],不可解释特征[Topic]是“把”字句生成的主要原因。Topic的不可解释性特征驱使“把”字句的句首名词和“把”后名词移位。因为句首名词是主话题,话题等级高于“把”后名词,优先移至Topic的最大投射的标识语位置,消除Topic的[EPP]特征,Topic的不可解释性特征[Topic]驱使紧随其后的名词位移至CP的标识语位置,Topic的不可解释性特征与“把”后名词的可解释性特征核查消除掉。最终我们就得到了汉语中广泛运用的“把”字结构。本论文对于“把”字句的研究只是一种探讨,作者深切希望得到批评与指正。
论文目录
相关论文文献
- [1].人-无人车交互中的可解释性交互研究[J]. 包装工程 2020(18)
- [2].机器学习模型可解释性方法、应用与安全研究综述[J]. 计算机研究与发展 2019(10)
- [3].基于规则推理网络的分类模型[J]. 软件学报 2020(04)
- [4].深度学习的可解释性[J]. 航空兵器 2019(01)
- [5].面向可解释性人工智能与大数据的模糊系统发展展望[J]. 智能科学与技术学报 2019(04)
- [6].暗知识:机器认知的不可解释性[J]. 金融博览 2019(05)
- [7].多视角生成模型的可解释性聚类[J]. 计算机研究与发展 2017(08)
- [8].重新找回人工智能的可解释性[J]. 智能系统学报 2019(03)
- [9].整合建构:人在情境中的可解释性研究[J]. 社会工作 2018(04)
- [10].大数据征信算法的可解释性研究[J]. 征信 2020(05)
- [11].一种改进的企业差旅国内机票推荐算法[J]. 广东通信技术 2020(03)
- [12].算法维度下人工智能嵌入治理的风险研判及政策因应[J]. 天津行政学院学报 2020(06)
- [13].机器学习在材料设计方面的研究进展[J]. 科学通报 2019(32)
- [14].基于厚数据的信息分析:内涵与模式[J]. 情报资料工作 2020(03)
- [15].结合XGBoost算法和Logistic回归的信用评级方法[J]. 征信 2019(11)
- [16].从统计学与心理学的视角看可解释性人工智能[J]. 计算机与数字工程 2020(04)
- [17].对装饰是“实现美化建筑目标”提法的反思[J]. 设计艺术研究 2014(02)
- [18].基于Adaptive Elastic Net方法的近红外光谱建模技术(英文)[J]. 光谱学与光谱分析 2019(01)
- [19].人工智能技术下对真理和生命的可解释性[J]. 探索与争鸣 2017(10)
- [20].大数据中数据的质量问题探析[J]. 现代商贸工业 2020(04)
- [21].StackRNN的设计及可解释性研究[J]. 科技与创新 2019(14)
- [22].实证法的创造性与语言性[J]. 绵阳师范学院学报 2014(10)
- [23].结构化稀疏线性判别分析[J]. 计算机研究与发展 2014(10)
- [24].雷州半岛年例的表现类型及留存原因探讨[J]. 文化遗产 2015(02)
- [25].可解释个性化推荐学习平台的构建与算法研究[J]. 浙江科技学院学报 2020(01)
- [26].基于XGBoost集成的可解释信用评分模型[J]. 数据通信 2019(03)
- [27].线性回归算法在个性化推荐中应用研究[J]. 电脑编程技巧与维护 2015(23)
- [28].融合多头自注意力机制的中文分类方法[J]. 电子测量技术 2020(10)
- [29].要取信于人,AI得打开决策“黑箱”[J]. 家庭科技 2020(06)
- [30].可解释的实时图书信息推荐模型研究[J]. 情报学报 2019(02)