大学英语四、六级词表来源于全国大学英语四、六级考试大纲(2016版)，也是近些年最新版本，包含5418个词目。由于全国大学生英语考试分为四级和六级两个等级，与考试等级相对应，词表也对其中词汇进行了四级词汇和六级词汇的分类标注。如上所述，该词表在一定程度上代表期望中国大学生英语词汇学习应达到的水平。

COCA5000词表来自于由学者Mark Davies创建的美国当代英语语料库(Corpus of Contemporary American English，简称COCA)，包含COCA中总频次排序前五千的词目及相关一系列数据。COCA由总计约10亿词、共八个类型且分布基本均匀的文本构成，总体上文本类型广泛，词量庞大，且该库语料逐年更新，在本族语词汇方面具有代表性。

大学英语四六级考试试卷语料库(College English Test Corpus)，简称CETC，是本研究自建语料库，其中包括2016年至2024年期间大学英语四、六级考试的卷面文本，总计超三十八万词。需要特别说明的是，由于听力原文材料以语音输出，而非词形，所以在本研究中暂时不做处理。

iWriteBaby Chinese Learner English Corpus，即iWriteBaby中国学习者英语语料库(以下简称iWriteBaby语料库)，由北京外国语大学许家金教授团队加工整理，最初发布于2019年，而后在2022年进行了更新，总规模超八百万词，攘括全国二十三个省份、四十八座城市、六十九所不同水平大学的一百五十四个专业学生的写作文本，入库的作文题超一千个。该语料库词汇容量大，在地域、年级及主题等各类因素上均取样广泛，在中国大学生的用词总体特征方面有一定代表性 [1] 。

大学英语四、六级词表直接取自全国大学英语四、六级考试大纲(2016版)。由于本研究在词目化(lemmatization)的实际操作中只考虑词形，最后产出的词目表中的词目实际上属于“modified lemma (Stoeckel, 2019)” [2] ，因此对于该词表中分列的一词多义词，本研究将其合并只保留其一个词形，如“bank1”表“银行”和“bank2”表“堤坝”会全都归并为“bank”，最后处理完的词表包含5403个词目。

COCA5000词表分开放置词形相同却拥有不同词性的词汇，同上，在本研究中利用Microsoft Excel中的“数据–合并计算”功能将这类词全部归并处理，最后该词表中包含4380个词目。

大学英语四、六级考试试卷语料库(College English Test Corpus)是本研究自建语料库，在利用Microsoft Word中“插入–对象–文件中的文字”功能将2016年至2024年期间大学英语四、六级考试的各个试卷文档合并后，去除中文字符及标点，而后使用Perl软件对余下的文本进行清洁，生成CETC的类符词汇表。将该类符词汇表导入Treetagger软件进行赋码处理，而后生成CETC词目表。

iWriteBaby语料库词表通过BFSU CQPweb平台导出，经Microsoft Visual FoxPro进行符号清理后，借助Treetaggger软件进行词性标注，而后形成词目表。

为进一步确保以上操作生成数据的准确性，本研究对生成的词目表进行人工查验。此外为实现数据计算的统一化，借助Microsoft Excel人工计算各词表每百万词标准化词频并全数据应用，得出最终归拢的所有词目的每百万词标准化词频。

最后，利用Microsoft Excel进行词表对比。通过Excel中“开始–条件格式–突出显示单元格规则–重复值”这一功能，将CET词表分别与COCA5000词表、CETC词表和iWriteBaby语料库产出的词表两两进行比较，得出各两词表之间重复的词汇，即共有词。在此基础上，利用“开始–筛选”功能筛出两表共有词，而后便可生成两表各自独有词。通过以上一系列操作，最终得出的数据表包括CET-COCA，CET-CETC和CET-iWriteBaby。

本研究选用的COCA5000词表来源于COCA语料库网站，其中包含美国当代英语语料库中排名前5000的词目(lemma)，经统一化处理后词目总计4380个。CET词表和COCA词数对比结果如 表1 所示，其中两词表的共有词分别占两词表总词目数的58.19%和71.78%，独有词则分别占两词表总词数的41.81%和28.22%。

通过查看COCA5000词表可以知道，COCA5000词表中所有词目的累计词频占COCA总库词量的约83%，而CET词表和COCA5000两词表的3144个共有词目的累计词频就已经占了COCA总库的约77%。结合 表2 分析，CET词表与COCA5000词表相重合的词汇在COCA各个频段中的数量依次递减。CET词表中有903个词目位于COCA的第一个频段，即前一千词中，仅这一部分词的总体频次就占了COCA总词量的近70%。

由此来看，参照COCA5000而言，虽然CET词表中这些词目总体上在COCA总库中体量少，总频次占比大，但是结合CET词表的总体词量考虑，其中只有不到60%的词目在英语本族文本中的使用频率居于前列，剩下的2259个词目并未出现在COCA前5000个词目中。经初步推断，这部分词的选用原因之一可能是为了满足中国大学生英语学习者更高水平词汇学习的需求，因为2259个CET独有词中有1084个都属于大学英语六级词汇，而这部分词汇相较于上述位于前列的高频词汇，恰恰不管在词形还是词义方面都更为复杂，属于中国英语学习者词汇学习中的“高级词汇”。由于COCA5000词表的词量限制，更为实际具体的原因需要利用其他参照对象进一步考察。

本部分内容就CET词表和CETC (College English Test Corpus)的对比结果进行分析。CETC中的语料是大学英语四、六级考试的所有卷面内容，经处理有10,872个词目，词数总计382,778个。经与CET词表对比，两者共有词数分别占两表词目总数的81.95%和40.74%，两表独有词则分别占各表的18.05%和59.26%，两表词目总数对比具体数据如 表3 所示。

CET词表与CETC的共有词仅占CETC词目总数的不到50%，导致这一情况的原因有一部分是CETC本身的词量较之CET词表就要大一倍。除此之外，从上表能观察到的结论似乎很有限。但当在词目数基础上加上各词目的累计频次会发现，尽管CET词表对CETC的词目覆盖率很低，但总体词目频次覆盖率却能达到85.15% (见 表4 )，这在一定程度上表示两词表大部分共有词在CETC中的出现频次都相当高。

当把CET词表和CETC的共有词按频次降序排序后进行观察，显而易见地是两表共有词中排序前一百的词绝大部分都是功能词，如冠词a、an和the；代词you、we和they等；介词to、of、in、on和from等；连词and、but和so等(见 图1 )。这与先前的研究结果相呼应，在各类英语语料库位于前列的高频词中，往往都有部分功能词占据重要分量。这类词虽然在英语中数量有限，但却在英语词句的衔接、指代及限定等方面都发挥了重要作用。

而除了上述功能词外，前一百词中还有部分实义词。而这些实义词中，有一部分词受题干影响反复出现，如question、answer、sheet、section、mark、choice、letter、passage和base等。经查看不受题干影响或者说受题干影响较小且使用频次依旧居高的实义词有people、say、make、good、time、take、change和go等。以上这些词汇也常出现于其他词表的高频词段中，因其普遍具有包括通用性、释义和替代能力强及搭配构词能力强等诸多词汇特征，也通常被称为核心词汇(Carter, 1987) [3] [4] 。

除了上述高频词外，CET词表和CETC词表共有词中还存在一部分频次更低的词汇。 图2 中是两表共有词中频次 ≤ 10的词汇及各词频下的词汇总量。为便于统一对比， 图2 中所用频次是基于原频次计算而得的每百万标准频次。十分明显地是这些低频词的分量并不小，简要计算后可知，频次 ≤ 10的词汇总数有1568个，占共有词目总数的35.40%，而这1568个词的累计词频总量仅有8775，占共有词每百万总频次的1%，占一百万词量的约0.09%。CETC中涵盖了2016~2024年，共计九年的大学英语四级和六级试卷卷面内容，而大学英语四、六级考试一年两次，每次考试有三套试题，总计超100套试题，每套试题大约有4000左右个词，而这些低频词在这些文本中的出现频率屈指可数。值得注意地是，CET词表与CETC词表的4429个共有词中有756个六级词汇，而在这1568个低频词中，六级词汇有592个，这些词汇在词表中的存在意义需要进一步考量。

此外，经CET词表和CETC对比后也产出了双方的独有词。一方面，CET词表中的独有词即表明这部分词在CETC中从未出现过，而这部分词被编入CET词表是否合理还需要和本文其他部分的对比结果相结合分析后才能做出判定，因为CETC部分的词汇仅仅是大学英语四、六级考试的卷面文本，这些语料词汇具体来说更倾向于输入性词汇，总体上并不能代表大学英语四六级学习所需词汇。

另一方面，CETC独有词中更加值得注意的是其中的高频词汇。由于CETC中的语料是卷面文本，因此最后生成的词表中有小部分被高频用作选项符号的英文字母。当把它们排除，剩下的高频词主要由派生词和国家名称构成，一般来说国家名称并不会列入词表，更多地是作为专有词汇列入国家地理类的专有名词词表。而为避免行文累赘，关于CETC独有词中的高频派生词，本文将在后半部分统一讨论。

表5 是CET词表和iWriteBaby语料库词表的对比结果。两表的共有词分别占两表总词目数的95.17%和28.67%，而两表独有词则占有各自词表总词目数的4.83%和71.33%。与上一部分关于CET词表和CETC的对比结果的讨论相类似，造成CET词表和iWriteBaby语料库词表对比结果差异较大的主要原因还是两表的总词量差异。

iWriteBaby语料库的总词量是CET词表的三倍多，也是因此，CET词表对iWriteBaby语料库的已覆盖词目总数比之CET词表对CETC的已覆盖词目数要更多。结合CET词表与CETC的对比分析结果来看，CET词表对iWriteBaby语料库的词目覆盖率更低，仅有28.67%，但词目总频次的覆盖率却高得多，超90% (见 表6 )。这一方面是因为iWriteBaby语料库词量大且语料话题更广泛，另一方面，与上一部分的内容相呼应，两表共有词大部分在iWriteBaby语料库中都被高频使用。

在CET词表与iWriteBaby语料库共有词中，前一百个词的累计频次为5,018,391，占iWriteBaby语料库词汇总数的62.37%。通过观察 图3 可知，与CET词表和CETC前一百个共有词( 图1 )相似，其中包含了大量如冠词、代词、介词、连词和助动词等在内的功能词以及部分实义词。而与CETC不同，iWriteBaby语料库中的语料来源于大学生的写作文本，因此就CET词表与iWriteBaby语料库词表的前一百个共有词来说，其中的实义词相较于CETC除了同样具有核心词汇的特点外还有更明显的主题性，如college、phone、book、internet和stress等。

接下来着眼于CET词表和iWriteBaby语料库共有词中的低频词进行分析。同上，把iWriteBaby语料库词表中的词频进行每百万词标准化，提取其中每百万词频次 ≤ 10的部分及相应的总数量，结果如 图4 所示。由于受iWriteBaby语料库总词量的影响，原词频 ≤ 4的词汇在进行每百万词标准化之后的词频结果是0。最终结果显示标准化词频 ≤ 10的词汇总数有3050个，而这3050个词的累计标准化词频总量仅有7782，占iWriteBaby语料库总量的不到1%。类似地，这3050个低频词中有1098个六级词汇。

以上三个部分是CET词表与三个参照对象——COCA5000、CETC和iWriteBaby语料库的对比结果。总体来看，CET词表中包含了各个参照对象中的绝大部分高频词，三组对比的前2000共有词目重合率约为75%。从 图5 可知，三个参照对象与CET词表的共有词中，前100词目的累计频次占据三参照对象的超一半词量，前2000共有词目的累计频次更甚。CET-CETC前2000词累计词频覆盖率相较于其他两参照对象更低是受卷面语料特点的影响。不同于其他语料，卷面文本在一定期间内需要具有差异性，以确保试卷时用时新，且由于CET词表是2016年考试大纲改版后才编制出的，本研究中CETC语料仅使用了2016~2024年间的大学英语四、六级试卷。受上述原因影响，最终成形的语料库中的文本话题多样，但重合度相对低，加之卷面词数有限，最终使得词频突出的词相较另外两库更少，多有中频词。

此外，也有部分词汇尽管在各个参照对象中都有出现，但使用频次却极低，这些词加之在三个参照对象中都从未出现过的词汇，它们被收录进CET词表中的合理性值得思考。

在考虑这个情况之前，还需要厘清一个问题，即在CET词表中，中心词后单列的派生词的价值和科学性。根据大学英语四、六级考试大纲所言，“派生词原则上不单列(特别常用的除外)……如果形式上是派生词，而实际上已不被看成派生词，则单独列出。”一方面，“特别常用”的标准是什么，同时这些词在各类语料中的实际使用情况也不得而知。另一方面，“形式上是派生词而实际上不被看作派生词”指的是派生词已然与中心词没有了相似的词义，或是两者词义相差较大，如remark和remarkable，proceed和proceedings等。鉴于此，加之许多形式派生词的使用频率已然比CET词表中的中心词还要高，那么为何不将这些词单列出来也需要思量。

一直以来，在词表编制的选词单位这一问题上就存在争议，其中主要聚焦于是以词目(lemma)还是以词族(word family)为选词单位更为合理。词族由一个基本词及其所有派生和屈折形式组成，以词族为单位编制词表的底层逻辑就是英语学习者一旦知道基本词，二语学习者几乎毫不费劲地就可以理解该词族中其他派生形式词汇的意思，不必单独学习就可以理解(Bauer & Nation, 1993) [5] 。基于此，许多词表选择词族来编制词表，以提供集成性词表。然而，有学者对以词族为单位编制词表表示质疑。一方面，属于同一词族的词汇意义并不总是相近的，如“reactionary”和“reactivation”两词同属一个词族，但两者核心意义却大相径庭(Gardner & Davies, 2014) [6] 。此外，根据Gardner (2007)和Nippold & Sun (2008)等学者的观点，对于大多数学龄儿童和学习二语的成年人来说，派生词有关的知识更为复杂，它的接受要比屈折词有关的知识接受更晚。且以词族编制词表供二语学习者使用不利于为他们的词汇学习提供最直接的帮助 [7] [8] 。因此在近些年，研究词表的学者在编制词表时认为词目的使用应当优于词族。

回到本研究中来看，CET词表形式上更偏向以词族为单位，但它并没有呈现中心词的所有派生词，而是只列举了所谓“特别常用”和“形式是派生但实际不被看作派生词”的派生词。一方面，就实际使用情况来说，CET词表的派生词中并非全都“特别常用”，反而有的派生词使用频次不低却并未列入词表派生词中。另一方面，当一个词形式上是派生词，但实际上已经不被看作派生词，那么为何还要将其放在形式上的中心词下，这不免会误导词表使用者。

当加上所有列出的派生词再计算CET词表对三个参照对象的覆盖率，可以得到如 表7 的数据。把CET词表中心词和2605个派生词一同合并之后，词目总数达到8008词，CET词表对三个参照对象的覆盖率理所当然地有所提升。但是与上述覆盖率数据相反，CET词表派生词的词目覆盖率远远高于对词目累计总频次的覆盖率，这恰恰说明派生词的使用频率总体上要更低，累计词目覆盖量十分有限。不过实际观察对比词表会发现也有部分派生词的使用频次相较于有些中心词还要高，这也呼应了上述“选词单位”的争论 [9] ，以词目为单位编制词表，而非将高频派生词词目置于更低频中心词词目下，或许能更直观地让学习者了解高频词汇，减轻负担。

注：COCA5000行的覆盖率数据是基于COCA前五千词目的累计频次计算而得，不是COCA整库数据。

表8 是CET词表派生词在COCA5000词表各频段的数量。CET词表派生词只有282个在COCA前两千词的行列中，同时有1750个派生词并未出现在COCA5000里，而由于COCA5000本身是一个高频词表，其中词目最低的每百万标准词频约为12，因而当与COCA5000对比时，CET词表中与其不重合的词汇便可以看作低频词，其中中心词有2259个，派生词有1750个。

同样地，与CETC和iWriteBaby语料库对比，CET词表派生词中每百万标准词频 ≤ 10的词数在两库中分别有896个和1684个，而其中位于两库词表前两千词行列的词数却远远低于低频词，分别只有332个和303个(见 图6 )。

当交叉分析提取上述所有对比组产出的低频词后，整理出 表9 内容。以“CET_ONLY(COCA)”和“CET_CETC”为例，它们分别表示“以COCA为参照CET词表的独有词”和“CET词表与CETC的共有词”，第二行的其他内容也作同样解释。第一行的“=0”和“≤10”则分别表示“从未出现”和“每百万标准词频十及十以下”。由于COCA5000只有频次前5000的词目，而非原表，因此以COCA为参照的低频词数据只有“CET_ONLY(COCA)”，即CET词表中未出现在COCA5000中的词目，没有“CET_COCA5000”，即两表共有词中的低频词。但COCA5000词表中每百万频次最低是12，因此它可以用于进一步印证CET词表在另外两库中的共有低频词并非高频。

在 表9 的基础上进行分析后发现，CET词表中在COCA5000、CETC和iWriteBaby语料库都没有出现的词目数有437个，包括中心词158个和派生词279个。而CET词表在CETC和iWriteBaby语料库共有词中每百万标准化词频 ≤ 10的词目数有1497个，其中有中心词888个和派生词609个。这些词汇不管在大学英语四、六级考试的卷面上、大学生词汇实际使用中还是本族语语料库中使用频率都十分有限，这有悖于CET词表的“定量原则”，应该考虑进行更新。