一本被开发出来的词汇书

有朋友问，词汇书都那么多了，你们干吗还要自己写一本？

我说，这本书其实不是我们写出来的。

他马上低声追问，你们也是抄的？还是整理的网上资料？

我一时语塞，嘴里像被塞了苍蝇，虽然也听说行业内的很多词汇书，甚至是畅销书，确实都是这么出来的，但我们真不干这事。

做拓词的时候，确实曾经收到过一些词汇书稿，作者想在拓词上线，增加影响力，结果导入数据库时，发现错误极多。于是跟作者联系要精校版，因为我们发现正式印刷出版的书里，至少低级错误都被改过了，作者告知精校版是出版社做的，他也没有电子版。我们又问，那你能不能自己精校一下，作者很奇怪地看着我说：我哪有这么多时间去干这事……作为理工男，我一时真不知道说什么好。

《ACT词汇终结者》不是我们写的，这是实话，因为整本书从无到有，除了前言和附录的这些文字是我们写的，书中正文内容，也就是词汇部分，没有一个字是个人写出来的（我们也不允许教师篡改词条，这个原因有机会再讲，展开就复杂了），而是工程师和教师协同开发的结果。

顶上教育是一家在线教育公司，说“在线教育”绝不仅仅是源于我们的ACT课程是“在线一对六”精品班，而是从基础的教研开始，所有工作都是由教师和工程师协同进行的，是人工和计算机联合处理的，不知道这算不算人工智能，但肯定算是“人工+智能”。

突然意识到，这几本终结者词汇书可能是行业内第一套被“开发出来”的单词书，虽然只是我们的一个小教研成果，但麻雀虽小，五脏俱全，简单介绍一下过程，可能会有利于大家理解。

即便此前我做了六年背单词网站和APP（拓词创始人，前CEO），孙健教了12年ACT、GRE和SAT（新东方名师，留园教育创始人），做单词书也不能拍脑袋，启动前，团队先把知乎上关于词汇学习的所有帖子仔细研究了一遍。然后又将市面上比较知名的词汇书，全部买回来，逐一进行了分析。

很快发现一个问题，几十年来都没有被解决。“单词的回归语境学习”，即学生们背了一个单词，却无法知道它是从哪里来的、怎么用的、怎么考的。于是我们确定了第一个定位，做中国第一本“可以通过微信扫码，实现单词回归语境学习的ACT词汇书”。

另外一个问题是ACT词汇书，往往单词量都很大，有6000个到8000个，虽然ACT考试会覆盖到这么多，但是这些单词在考试中被考核情况出入很大，绝不仅仅是统计一个词频就可以界定的，我们确定只精选ACT考试必需的单词，无论考生水平高低，都值得下工夫去掌握的单词，求精不求多。

首先，计算机并不知道increases，increasing，increased是一个单词，致使很多纯靠计算机简单统计的词频都不准确。为了解决这个问题，我们找到了AntConc的Lemma表，其中有常用英文单词原形和变形的对应。请看下图：

事实上，这张表并不完整，幸好我们还有《柯林斯高阶英汉双解学习词典》（ Collins COBUILD Advanced Learners’English-Chinese Dictionary ）的正版授权，工程师马上写程序抓取柯林斯词典的相关内容，完善了自己的Lemma表。

工程师开始分析词频，这里绝不是把所有OG、TPO和真题资料用词频程序跑一遍，给出每个单词的出现次数，老师再根据经验给单词选释义和加例句这么简单。工程师需要将每个单词和ACT真题出现的位置建立数据关系，再与柯林斯词典的对应单词建立关系，并且要把所有关系通过交互界面呈现出来。

教师的噩梦阶段到了，他们要为每个单词确定义项（不可分割的一个释义叫义项，释义是义项的集合），每个义项都必须回归到语境的上下文中去判断，这项工作，目前最前沿的自然语言处理技术也不能解决，只能靠教师人工来做，于是我们的几位教师每天12小时，花了数月时间才完成。

为什么需要这么久？举个例子，比如单词impact，在考试中总共出现过51次，这就至少要阅读51句话（大部分都是复合句，有时候还需要看前后的句子），对应柯林斯词典，标出每次出现的精准义项，再选择合适的例句，这个单词处理完就需要十几分钟。

不做不知道，我总算明白了，为什么到今天，所有词典的词频只处理到单词，没有一本词典能给出义项频度（此前曾找过柯林斯、朗文和牛津出版社，结果都表示没有这个数据），这个成本确实太大。

最后，也是难度最大的，只能由主教研老师处理，先是把比较简单的词，如am，is，are，can，should，the，apple等一律删除。标准比较简单，先从stop words（大概575）开始，其中包含这样的单词：the，an，which，where，able，about等；接着，删除朗文定义词汇（用于描述其他单词的最简单2000词）；然后是删除高考词汇（大概3500个，实际上只有680个单词有价值）。专业名词需要删除，比如Paleolithic。这个单词虽然出现了9遍，但是只在某一套题中出现，并不是常用词汇，可以判定为专业词汇，删除！

删到最后只剩下核心单词，是的，你只需要背核心单词。你没看错！相信通过上述过程筛选出的单词才是真正的“ACT终结者词汇”，而以这些单词为基础的单词书才值得每个ACT考生花时间背诵。

《ACT词汇终结者》就是这么做出来的，真正的“人工智能”！计算机做计算机该做的事儿，人做人该做的事儿。逻辑清晰但数量庞大的工作往往更适合计算机做，比如统计词频，建立词汇与文章的关系；逻辑模糊的工作必须由人来做，比如筛选专业词汇，选择单词在不同上下文的释义。我们坚信人和计算机是互补的关系，而不是取代的关系。

薛淡
顶上教育创始人
2017年12月18日