Nigerian Salafi Discourse Corpus (NSDC): Construction, Methods, and Use
本文介绍了尼日利亚萨拉菲话语语料库（NSDC）的构建、方法论及应用，该语料库是一个经过机器处理且具有多层标注的集合，包含2015年至2025年间超过5,700条Facebook帖子，旨在通过自动化流水线和严格的人工验证来促进对尼日利亚萨拉菲话语的分析。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在研究人类如何使用语言的过程中，研究人员长期以来一直依赖两种不同的工具。一种工具是对少量文本进行细读，学者通过检查每一个词来理解其深层含义和社会语境。另一种工具是单词的大规模计数，计算机扫描数百万页以寻找人类肉眼会忽略的隐藏模式。几十年来，这两种方法通常在各自独立的世界中运作。然而，一个新兴的研究领域正在将它们结合起来，利用海量数据来指导细读，并利用细读来赋予数字以意义。这种方法在研究宗教时尤为强大，因为信仰不仅是私人思想，更是发生在街头、清真寺以及日益增加的社交媒体上的公开辩论。在尼日利亚，这个拥有庞大且多样化穆斯林人口的国家，互联网已成为不同群体辩论其身份、权威和在社会中地位的主要阵地。为了理解这些辩论，研究人员需要一种既能捕捉对话规模，又不会丢失个体声音细微差别的方法。
这正是来自伊巴丹大学的一个研究团队致力于完成的工作。他们构建了一个庞大的 Facebook 帖子数字图书馆，以追踪萨拉菲主义（一种在逊尼派伊斯兰教内部特定且往往具有争议性的运动）在尼日利亚是如何被讨论的。他们并非只是随机收集帖子；他们构建了一个名为“尼日利亚萨拉菲话语语料库”（Nigerian Salafi Discourse Corpus）的精心组织的档案库。该集合包含了 2015 年至 2025 年间，由拥有大量粉丝的页面和个人资料发布的近 5,800 条帖子。这些帖子中的文本总量接近 250 万词。研究人员使用 Meta（Facebook 的所有者）提供的正式研究接口收集了这些数据，确保他们只访问来自公众人物和组织的公开内容。其目标是创建一个清晰、可验证的记录，展示萨拉菲派如何被描绘、他们如何自我描述，以及他们如何在尼日利亚背景下与苏非派或什叶派穆斯林等其他群体进行辩论。
为了构建这个图书馆，研究人员面临着一个重大挑战：来自 Facebook 的原始数据是混乱的。它包含格式破损、重复帖子、表情符号、外语脚本以及可能干扰计算机计数单词的链接。为了解决这个问题，他们使用了一个专门的人工智能助手，并将其命名为 Salih。这个工具不仅仅是在猜测答案，它扮演着严谨编辑的角色。它遵循一套严格的规则来清洗文本，去除表情符号和 URL 等噪声，同时保留有意义的词汇。它在每一步都检查自己的工作，确保没有误删任何帖子，并确保最终的词数统计准确无误。其结果是一个干净、有序的文本集合，供其他研究人员进行分析。这一过程的设计旨在完全透明，这意味着任何科学家都可以遵循相同的步骤并获得完全相同的结果，这是科学信任的一个重要标准。
文本清洗完毕后，研究人员为每一个单词添加了三层详细信息。第一层简单地识别每个词的类型，例如名词、动词或专有名词。第二层将单词归入特定主题，如“宗教权威”、“冲突”或“崇拜实践”。第三层是最复杂的，它观察整个句子的意图。它对句子进行编码，判断该句子是在试图使某个群体合法化、攻击对手、号召行动，还是在转述他人的话语。这种编码基于一种被称为“话语历史方法”的方法，该方法帮助研究人员理解不仅是在说什么，还在于为什么要这么说以及预期的效果是什么。研究人员谨慎地指出，虽然计算机承担了繁重的工作，但系统并非完美。他们发现计算机有时会过度识别某些类型的句子，例如行动号召，并计划在未来完善这些规则。
他们揭示的数据展现了一场活跃且往往激烈的对话。研究人员发现，十年间帖子的数量波动很大，在 2017 年左右出现一个高峰，并在 2024 年再次上升。很大一部分讨论涉及对群体的命名和定义。数据显示，“穆斯林”一词在绝大多数帖子中被用作默认身份，但“萨拉菲”、“苏非”、“什叶派”和“瓦哈比”等特定标签被用来划定不同群体之间的界限。分析表明，“瓦哈比”这一标签常被用作贬义词来批评他人，而“萨拉菲”则经常被该群体用于自我描述。研究人员还观察到，讨论宗教权威的语言非常激烈，高度依赖引用学者和宗教文本来支持论点。有趣的是，数据表明虽然引用了宗教经文，但这并不是唯一的工具；关于法律、政治和社会秩序的辩论同样普遍，这表明这场辩论与更广泛的尼日利亚国家和社会紧密相连。
其中一个最引人注目的发现是这些帖子的长度如何随时间变化。虽然近年来的帖子数量保持相对稳定，但每条帖子的文本量却在减少。这表明话语的性质正转向更短、更压缩的信息，或许反映了现代社交媒体快节奏的特性。研究人员还注意到，这场对话不仅仅关乎神学，它还与安全和冲突深度纠缠。数据捕捉到了宗教团体如何与暴力联系在一起或与之分离，特别是在北尼日利亚叛乱的背景下。通过在分析中将“Boko Haram”作为一个整体单位保留，研究人员确保了该名称中的“haram”（禁忌）一词不会意外触发与宗教规则相关的代码，从而使安全讨论与神学讨论保持区分。
这项工作的价值在于它能够将混乱的在线争论转化为一个任何人都可以研究的结构化资源。它使研究人员能够超越轶事，观察数百万词汇如何被用于塑造非洲的宗教身份。该语料库现在已向其他学者开放，他们可以利用它来调查从刻板印象如何形成到政治忠诚如何在宗教语言中表达等各种课题。研究人员强调，虽然计算机负责计数，但对这些模式的解释需要人类的洞察力。他们提供了一张领土地图，但理解这些辩论深层含义的旅程才刚刚开始。该项目证明，通过精心的设计和透明的方法，人工智能可以帮助我们理解社区如何定义自身及其在世界中的地位。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。