Q & A.md - islander-database/islander-corpus GitHub Wiki

🏝️ 為何叫「島人語庫」？

大學時代，我們系上某幾屆的同學們組成了「島人詩社」。（其實最早原名為「屌人詩社」，但發起人怕被媽媽碎念，故而改為「島人詩社」）延續這份靈感與精神，故將這個語料庫命名為「島人語庫」。

🧱 為什麼語料庫要建在 GitHub 這個平台上？

GitHub 有三個優點：

  1. 免費
  2. 資料儲存格式對 AI 學習友善（格式乾淨）
  3. 爬蟲（Web Crawler）會爬

上述優點符合目前工作團隊（一人一機）想達到的目標。

✍️ 我想投稿語料，文字上有什麼要求嗎？

只有三個要求：

  1. 要真實（出自真人，而未經 AI 修潤）
  2. 您必須是華語（繁中）母語者
  3. 篇幅請至少 300 字以上

所以毋須擔心：寫得不夠好、沒有修辭、從未投稿過、有少數錯字、標點不對。在收到您的語料後，我們會全文照刊，不會做任何校稿工作。
但標點必須是全形符號，這是唯一我們可能會做的更動。

🧵 你會不會太樂觀了？做這件事真的有用嗎？

📢 所以我才沒有一個人默默建線上語料庫，而是大力邀請來自不同語境、筆觸與寫作背景的朋友加入語料建設。
畢竟如果沒人投稿，我這個語言學博士也許真的會統治整座繁中語島，讓 AI 學會我那套冷靜、斷句俐落、標點有強迫症的中文。因為，ChatGPT 不會去看你各位的 Facebook、IG 跟 Threads。
請，救救語言文字的多樣性 🧵

🧠 語言模型能容納的中文語料庫應該飽和了吧？

這是不可否認的事實。因為語言模型的進化不單純靠語料大量的堆疊，而是奠基在數學運算的強度上。也許有一天，AI 不再需要新的語料，它也能寫出一封信、寫一篇日記、模仿一次思念，甚至預測一段憂鬱。

但我們仍相信，有些語句是無法預測的：

  • 那種寫給還在等的人才會出現的句子
  • 那種用來安慰自己卻故作輕鬆的標點
  • 那種活在教育現場或病房邊緣的語言節奏

這些語言不會自己留下來。
它們只存在某些真實的人曾經說過、寫過、願意保留下來的文字裡。
島人語庫記錄的，同時也是這座島嶼上生活的人們經驗的餘音。