如何快速查找英语词典？

　　查找英语词典的方法：

　　1、首先弄清词典的基本情况，根据目录、说明书的方法去查找；

　　2、掌握词典的编排顺序，按照开头字母的顺序查找；

　　3、根据词典的眉题，黑字体的方法查找；

　　4、选准要查的词义与词类，避免离开上下文而孤立地查询。

　　单词是英语学习重要的一部分，依靠英语词典当然可以解决大部分单词解析问题，但是在深入的语法知识字典就不能面面俱到到了，一位词汇学专家曾说过：“每个深藏在词典中的词都有好几幅面孔。”举个大家常用的例子，提到“帅”，中国学生首先想到的对应英文几乎都是“handsome”。

　　想要更有代入感的学习英语找阿卡索准没错，点击蓝字免费领取，欧美外教试课：免费领取，外教一对一精品课程跟着真人外教一对一学习地道英语。

　　阿卡索自主研发的完整成人课程体系，分为职场商务、日常交流、语言考试三大版块，版块内又细分出听说技能训练和读写技能训练。教研团队精心打磨出不同需求人群的最佳学习路径，带领学员开启事半功倍的学习之旅。

　　还有其他什么学习问题，可以百度搜“阿卡索vivi老师”为您分析解答。

　　想要更多的英语学习资源，可以百度搜“阿卡索官网论坛”免费下载。

与其他的人工智能技术相比，情感分析(Sentiment Analysis)显得有些特殊，因为其他的领域都是根据客观的数据来进行分析和预测，但情感分析则带有强烈的个人主观因素。情感分析的目标是从文本中分析出人们对于实体及其属性所表达的情感倾向以及观点，这项技术最早的研究始于2003年Nasukawa和Yi两位学者的关于商品评论的论文。

随着推特等社交媒体以及电商平台的发展而产生大量带有观点的内容，给情感分析提供了所需的数据基础。时至今日，情感识别已经在多个领域被广泛的应用。例如在商品零售领域，用户的评价对于零售商和生产商都是非常重要的反馈信息，通过对海量用户的评价进行情感分析，可以量化用户对产品及其竞品的褒贬程度，从而了解用户对于产品的诉求以及自己产品与竞品的对比优劣。在社会舆情领域，通过分析大众对于社会热点事件的点评可以有效的掌握舆论的走向。在企业舆情方面，利用情感分析可以快速了解社会对企业的评价，为企业的战略规划提供决策依据，提升企业在市场中的竞争力。在金融交易领域，分析交易者对于股票及其他金融衍生品的态度，为行情交易提供辅助依据。

目前，绝大多数的人工智能开放平台都具备情感分析的能力，如图所示是玻森中文语义开放平台的情感分析功能演示，可以看出除了通用领域的情感分析外，还有汽车、厨具、餐饮、新闻和微博几个特定领域的分析。

那么到底什么是情感分析呢？从自然语言处理技术的角度来看，情感分析的任务是从评论的文本中提取出评论的实体，以及评论者对该实体所表达的情感倾向，自然语言所有的核心技术问题，例如：词汇语义，指代消解，此役小气，信息抽取，语义分析等都会在情感分析中用到。因此，情感分析被认为是一个自然语言处理的子任务，我们可以将人们对于某个实体目标的情感统一用一个五元组的格式来表示：(e,a,s,h,t)

以图为例，e是指某餐厅，a为该餐厅的性价比属性，s是对该餐厅的性价比表示了褒义的评价，h为发表评论者本人，t是19年7月27日。所以这条评论的情感分析可以表示为五元组（某餐厅，性价比，正向褒义，评论者，19年7月27日）。

情感分析根据处理文本颗粒度的不同，大致可以分为三个级别的任务，分别是篇章级、句子级和属性级。我们分别来看一下。

1 篇章级情感分析

篇章级情感分析的目标是判断整篇文档表达的是褒义还是贬义的情感，例如一篇书评，或者对某一个热点时事新闻发表的评论，只要待分析的文本超过了一句话的范畴，即可视为是篇章级的情感分析。

对于篇章级的情感分析而言有一个前提假设，那就是全篇章所表达的观点仅针对一个单独的实体e，且只包含一个观点持有者h的观点。这种做法将整个文档视为一个整体，不对篇章中包含的具体实体和实体属性进行研究，使得篇章级的情感分析在实际应用中比较局限，无法对一段文本中的多个实体进行单独分析，对于文本中多个观点持有者的观点也无法辨别。

例如评价的文本是：“我觉得这款手机很棒。”评价者表达的是对手机整体的褒义评价，但如果是：“我觉得这款手机拍照功能很不错，但信号不是很好”这样的句子，在同一个评论中出现了褒义词又出现了贬义词，篇章级的分析是无法分辨出来的，只能将其作为一个整体进行分析。

不过好在有很多的场景是不需要区分观点评价的实体和观点持有者，例如在商品评论的情感分析中，可以默认评论的对象是被评论的商品，评论的观点持有者也是评论者本人。当然，这个也需要看被评论的商品具体是什么东西，如果是亲子旅游这样的旅游服务，那么评论中就很有可能包含一个以上的观点持有者。

在实际工作中，篇章级的情感分析无法满足我们对于评价更细致，如果需要对评论进行更精确，更细致的分析，我们需要拆分篇章中的每一句话，这就是句子级的情感分析研究的问题。

2 句子级情感分析

与篇章级的情感分析类似，句子级的情感分析任务是判断一个句子表达的是褒义还是贬义的情感，虽然颗粒度到了句子层级，但是句子级分析与篇章级存在同样的前提假设是，那就是一个句子只表达了一个观点和一种情感，并且只有一个观点持有人。如果一个句子中包含了两种以上的评价或多个观点持有人的观点，句子级的分析是无法分辨的。好在现实生活中，绝大多数的句子都只表达了一种情感。

既然句子级的情感分析在局限性上与篇章级是一样的，那么进行句子级的情感分析意义何在呢？关于这个问题，需要先解释一下语言学上主观句与客观句的分别。在我们日常用语当中，根据语句中是否带有说话人的主观情感可以将句子分为主观句和客观句，例如：“我喜欢这款新手机。”就是一个主观句，表达了说话人内心的情感或观点，而：“这个APP昨天更新了新功能。”则是一个客观句，陈述的是一个客观事实性信息，并不包含说话人内心的主观情感。通过分辨一个句子是否是主观句，可以帮助我们过滤掉一部分不含情感的句子，让数据处理更有效率。

但是在实操过程中，我们会发现这样的分类方法似乎并不是特别准确，因为一个主观句也可能没有表达任何的情感信息，知识表达了期望或者猜测，例如：“我觉得他现在已经在回家的路上了。”这句话是一个主观句，表达了说话人的猜测，但是并没有表达出任何的情感。而客观句也有可能包含情感信息，表明说话者并不希望这个事实发生，例如：“昨天刚买的新车就被人刮花了。”这句话是一个客观句，但结合常识我们会发现，这句话中其实是包含了说话人的负面情感。

所以，仅仅对句子进行主客观的分类还不足以达到对数据进行过滤的要求，我们需要的是对句子是否含有情感信息进行分类，如果一个句子直接表达或隐含了情感信息，则认为这个句子是含有情感观点的，对于不含情感观点的句子则可以进行过滤。目前对于句子是否含有情感信息的分类技术大多都是采用有监督的学习算法，这种方法需要大量的人工标注数据，基于句子特征来对句子进行分类。

总之，我们可以将句子级的情感分析分成两步，第一步是判断待分析的句子是否含有观点信息，第二步则是针对这些含有观点信息的句子进行情感分析，发现其中情感的倾向性，判断是褒义还是贬义。关于分析情感倾向性的方法与篇章级类似，依然是可以采用监督学习或根据情感词词典的方法来处理，我们会在后续的小节详细讲解。

句子级的情感分析相较于篇章级而言，颗粒度更加细分，但同样只能判断整体的情感，忽略了对于被评价实体的属性。同时它也无法判断比较型的情感观点，例如：“A产品的用户体验比B产品好多了。”对于这样一句话中表达了多个情感的句子，我们不能将其简单的归类为褒义或贬义的情感，而是需要更进一步的细化颗粒度，对评价实体的属性进行抽取，并将属性与相关实体之间进行关联，这就是属性级情感分析。

3 属性级情感分析

上文介绍的篇章级和句子级的情感分析，都无法确切的知道评价者喜欢和不喜欢的具体是什么东西，同时也无法区分对某一个被评价实体的A属性持褒义倾向，对B属性却持贬义倾向的情况。但在实际的语言表达中，一个句子中可能包含了多个不同情感倾向的观点，例如：“我喜欢这家餐厅的装修风格，但菜的味道却很一般。”类似于这样的句子，很难通过篇章级和句子级的情感分析了解到对象的属性层面。

为了在句子级分析的基础上更加细化，我们需要从文本中发现或抽取评价的对象主体信息，并根据文本的上下文判断评价者针对每一个属性所表达的是褒义还是贬义的情感，这种就称之为属性级的情感分析。属性级的情感分析关注的是被评价实体及其属性，包括评价者以及评价时间，目标是挖掘与发现评论在实体及其属性上的观点信息，使之能够生成有关目标实体及其属性完整的五元组观点摘要。具体到技术层面来看，属性级的情感分析可以分为以下6个步骤：

关于文本中的实体抽取和指代消解问题，我们已经在知识图谱的相关章节中做了介绍，这里就不再赘述。针对篇章级、句子级、属性级这三种类型的情感分析任务，人们做了大量的研究并提出了很多分类的方法，这些方法大致可以分为基于词典和基于机器学习两种，下面我们进行详细的讲解。

做情感分析离不开情感词，情感词是承载情感信息最基本的单元，除了基本的词之外，一些包含了情感含义的短语和成语我们也将其统称为情感词。基于情感词典的情感分析方法，主要是基于一个包含了已标注的情感词和短语的词典，在这个词典中包括了情感词的情感倾向以及情感强度，一般将褒义的情感标注为正数，贬义的情感标注为负数。

具体的步骤如图所示，首先将待分析的文本先进行分词，并对分词后的结果做去除停用词和无用词等文本数据的预处理。然后将分词的结果与情感词典中的词进行匹配，并根据词典标注的情感分对文本进行加法计算，最终的计算结果如果为正则是褒义情感，如果为负则是贬义情感，如果为0或情感倾向不明显的得分则为中性情感或无情感。

情感词典是整个分析流程的核心，情感词标注数据的好坏直接决定了情感分类的结果，在这方面可以直接采用已有的开源情感词典，例如BosonNLP基于微博、新闻、论坛等数据来源构建的情感词典，知网（Hownet）情感词典，台湾大学简体中文情感极性词典（NTSUSD），snownlp框架的词典等，同时还可以使用哈工大整理的同义词词林拓展词典作为辅助，通过这个词典可以找到情感词的同义词，拓展情感词典的范围。

当然，我们也可以根据业务的需要来自己训练情感词典，目前主流的情感词词典有三种构建方法：人工方法、基于字典的方法和基于语料库的方法。对于情感词的情感赋值，最简单的方法是将所有的褒义情感词赋值为+1，贬义的情感词赋值为-1，最后进行相加得出情感分析的结果。

但是这种赋值方式显然不符合实际的需求，在实际的语言表达中，存在着非常多的表达方式可以改变情感的强度，最典型的就是程度副词。程度副词分为两种，一种是可以加强情感词原本的情感，这种称之为情感加强词，例如“很好”相较于“好”的情感程度会更强烈，“非常好”又比“很好”更强。另外一种是情感减弱词，例如“没那么好”虽然也是褒义倾向，但情感强度相较于“好”会弱很多。如果出现了增强词，则需要在原来的赋值基础上增加情感得分，如果出现了减弱词则需要减少相应的情感得分。

另一种需要注意的情况是否定词，否定词的出现一般会改变情感词原本的情感倾向，变为相反的情感，例如“不好”就是在“好”前面加上了否定词“不”，使之变成了贬义词。早期的研究会将否定词搭配的情感词直接取相反数，即如果“好”的情感倾向是+1，那么“不好”的情感倾向就是-1。但是这种简单粗暴的规则无法对应上真实的表达情感，例如“太好”是一个比“好”褒义倾向更强的词，如果“好”的值为+1，那么“太好”可以赋值为+3，加上否定词的“不太好”变成-3则显然有点过于贬义了，将其赋值为-1或者-05可能更合适。

基于这种情况，我们可以对否定词也添加上程度的赋值而不是简单的取相反数，对于表达强烈否定的词例如“不那么”赋值为±4，当遇到与褒义词的组合时褒义词则取负数，与贬义词的组合则取正数，例如贬义词“难听”的赋值是-3，加上否定词变成“不那么难听”的情感得分就会是（-3+4=1）。

第三种需要注意的情况是条件词，如果一个条件词出现在句子中，则这个句子很可能不适合用来做情感分析，例如“如果我明天可以去旅行，那么我一定会非常开心。”，在这句话中有明显的褒义情感词，但是因为存在条件词“如果”，使得这个句子的并没有表达观点持有者的真实情感，而是一种假设。

除了条件句之外，还有一种语言表达也是需要在数据预处理阶段进行排除的，那就是疑问句。例如“这个餐厅真的有你说的那么好吗？”，虽然句子中出现了很强烈的褒义情感词“那么好”，但依然不能将它分类为褒义句。疑问句通常会有固定的结尾词，例如“……吗？”或者“……么？”，但是也有的疑问句会省略掉结尾词，直接使用标点符号“？”，例如“你今天是不是不开心？”，这个句子中含有否定词和褒义词组成的“不开心”，但不能将其分类为贬义情感。

最后一种需要注意的情况是转折词，典型词是“但是”，出现在转折词之前的情感倾向通常与转折词之后的情感倾向相反，例如：“我上次在这家酒店的住宿体验非常好，但是这次却让我很失望。”在这个转折句中，转折词之前的“非常好”是一个很强的褒义词，但真实的情感表达却是转折词之后的“很失望”，最终应该将其分类为贬义情感。当然，也存在出现了转折词，但语句本身的情感并没有发生改变的情况，例如“你这次考试比上次有了很大的进步，但是我觉得你可以做得更好”，这里的转折词没有转折含义，而是一种递进含义。在实际操作中，我们所以需要先判断转折句真实的情感表达到底是哪个，才能进行正确的分析计算。

构建情感词典是一件比较耗费人工的事情，除了上述需要注意的问题外，还存在精准度不高，新词和网络用语难以快速收录进词典等问题。同时基于词典的分析方法也存在很多的局限性，例如一个句子可能出现了情感词，但并没有表达情感。或者一个句子不含任何情感词，但却蕴含了说话人的情感。以及部分情感词的含义会随着上下文语境的变化而变化的问题，例如“精明”这个词可以作为褒义词夸奖他人，也可以作为贬义词批评他人。

尽管目前存在诸多问题，但基于字典的情感分析方法也有着不可取代的优势，那就是这种分析方法通用性较强，大多数情况下无需特别的领域数据标注就可以分析文本所表达的情感，对于通用领域的情感分析可以将其作为首选的方案。

我们在机器学习算法的章节介绍过很多分类算法，例如逻辑回归、朴素贝叶斯、KNN等，这些算法都可以用于情感识别。具体的做法与机器学习一样需要分为两个步骤，第一步是根据训练数据构建算法模型，第二步是将测试数据输入到算法模型中输出对应的结果，接下来做具体的讲解。

首先，我们需要准备一些训练用的文本数据，并人工给这些数据做好情感分类的标注，通常的做法下，如果是褒义和贬义的两分类，则褒义标注为1，贬义标注为0，如果是褒义、贬义和中性三分类，则褒义标注为1，中性标注为0，贬义标注为-1

在这一环节中如果用纯人工方法来进行标注，可能会因为个人主观因素对标注的结果造成一定影响，为了避免人的因素带来的影响，也为了提高标注的效率，有一些其他取巧的方法来对数据进行自动标注。比如在电商领域中，商品的评论除了文本数据之外通常还会带有一个5星的等级评分，我们可以根据用户的5星评分作为标注依据，如果是1-2星则标注为贬义，如果是3星标注为中性，4-5星标注为褒义。又比如在社区领域中，很多社区会对帖子有赞和踩的功能，这一数据也可以作为情感标注的参考依据。

第二步是将标注好情感倾向的文本进行分词，并进行数据的预处理，前文已经对分词有了很多的介绍，这里就不再过多的赘述。第三步是从分词的结果中标注出具备情感特征的词，这里特别说一下，如果是对情感进行分类，可以参考情感词典进行标注，也可以采用TF-IDF算法自动抽取出文档的特征词进行标注。如果分析的是某个特定领域的，还需要标注出特定领域的词，例如做商品评价的情感分析，需要标注出商品名称，品类名称，属性名称等。第四步根据分词统计词频构建词袋模型，形成特征词矩阵，如表所示。在这一步可以根据业务需要给每个特征词赋予权重，并通过词频乘以权重得到特征词分数。最后一步就是根据分类算法，将特征词矩阵作为输入数据，得到最终的分类模型。

当训练好分类模型之后，就可以对测试集进行分类了，具体的流程与建模流程类似，先对测试的文本数据进行分词并做数据预处理，然后根据特征词矩阵抽取测试文本的特征词构建词袋矩阵，并将词袋矩阵的词频数据作为输入数据代入之前训练好的模型进行分类，得到分类的结果。

采用基于机器学习的方法进行情感分析有以下几个不足之处，第一是每一个应用领域之间的语言描述差异导致了训练得到的分类模型不能应用与其他的领域，需要单独构建。第二是最终的分类效果取决于训练文本的选择以及正确的情感标注，而人对于情感的理解带有主观性，如果标注出现偏差就会对最终的结果产生影响。

除了基于词典和基于机器学习的方法，也有一些学者将两者结合起来使用，弥补两种方法的缺点，比单独采用一种方法的分类效果要更好，另外，也有学者尝试使用基于LSTM等深度学习的方法对情感进行分析，相信在未来，情感分析会应用在更多的产品中，帮助我们更好的理解用户需求，提升用户使用智能产品的体验。

随着深度神经网络等算法的应用，情感分析的研究方向已经有了非常大的进展，但依然存在着一些难题是目前尚未解决的，在实操过程中需特别注意以下几种类型数据：

情绪轮在用户体验设计上被广泛的应用，很多情感化设计都是基于情绪轮进行的。但是在人工智能领域，将情绪进行多分类比情感分析的三分类任务要难得多，目前大多数分类方法的结果准确性都不到50%。这是因为情绪本身包含了太多的类别，而且不同的类别之间又可能具有相似性，一个情绪词在不同的语境下有可能表达的是不同的情绪类别，算法很难对其进行分类。即使是人工对文本进行情绪类别标注也往往效果不佳，因为情绪是非常主观性的，不同的人对不同的文本可能产生不同的理解，这使得人工标注情绪类比的过程异常困难。如何让机器可以理解真实的情绪目前还是一个未能攻克的难题。

引言：委婉语，不直言其事、表达含蓄之法，避粗俗，避忌讳，避冒犯，属古人之礼貌语言。

英文：euphemism

在金融翻译中，也有委婉语的使用，兼顾翻译准确性原则以及相关者利益。此文聊一下“委婉语”在金融语言及翻译中的使用。

1 减少 VS 负增长

因应全球经济发展速度的变化，年报内偶尔会出现负百分数。译者除了可 以采用直译法外，还可以以委婉的笔触来处理，以减低负数数值可能对读者带 来的消极及负面影响，例如：

With the widening economic recovery in Asia, Hong Kong registered a 29% GDP growth for the year, up significantly from the contraction of - 5% in 1998

随着亚洲经济广泛复苏，香港一九九九年的生产总值增长29%，较一九九八年的5% 负增长显著改善。

At the year-end, the unemployment rate stood at 6%, down from a mid-year high of 63% while the CPI was - 4%

本港年终的失业率为6%，与年中高峰期的63%比较，已略为下跌：消费物价指教则出现4%的负增长。

以上两个例子运用了委辞语“负增长”来翻译负百分数，以期减轻负增长对投资者可能带来的冲击。

2 不少外来冲击 VS 充满变数

I firmly believe that, despite the many external uncertainties which may face us in 2001, we should be able to withstand any economic fluctuations that  may arise so long as we are properly equipped

虽然二零零一年将会是充满变数的一年，但我深信只要做好准备，香港拥有优越的条件应付可能出现的经济波动。

"the many external uncertainties" 指出来年香港经济将要面对不少外来冲击；译文则以“充满变数”来暗示香港的前景不容乐观，大大减轻原文消极的语气。

除了照顾读者的情感，委婉语的使用也在维护相关者利益。在类似中美贸易摩擦的报道中，使用过激言论可能会造成不良后果。在敏感语境中，可使用委婉语来维护相关者利益。中国石油大学王雅琪曾发表文章讨论《中西经济类新闻报道中委婉语对比研究——以中美贸易战为例》1，其中提及如下例子及分析（由于 Clown 未对新闻语言有深入研究，暂引用其分析原文）：

“贸易战”和“贸易摩擦”

1) 接受路透社最新问卷调查的大多数经济学家都认为，中美贸易摩擦增加了美国经济衰退风险 [2] 。

“摩擦”的词典义为个人或党派因彼此厉害矛盾而引起的冲突，其此处实指中美双方没有硝烟的贸易战争。很显然，“摩擦”一词中含有的竞争、对立以及冲突意味要远低于“战争”二字。

2) 挑起对华贸易争端，让美国农业雪上加霜，这是当前备受关注的情况 [2] 。在此，作者也是使用上义替换的方法，用“争端”一词代替“战争”，缓和了文章中中美双方对立的紧张局势，避免引起民众恐慌。

而在 the New Yorker 的该篇报道中，Trade war (贸易战)一词通常被 conflict 和 dispute 代替，如：

1) After assuming for months that the two sides would eventually reach a deal to avoid a full-scale conflict that would inflict considerable hurt on both countries, investors and analysts are now reassessing the situation [3]

2) On Wall Street, analysts have been warning that an early resolution to the dispute is unlikely and that the economic fallout could be significant [3]

在上面两句中，conflict (冲突)和dispute (争端)代表的都是美国所挑起的贸易战。根据牛津词典，conflict和dispute强调的是利益双方之间的 disagreement (意见不一致)或是argument (争论)，而war (战争)更强调一方对另一方的霸道、掠夺、和侵占。贸易战(trade war)本是美国对华单方面掀起的贸易战争，本质上是一种霸道行为，而为了引导舆论，突出两国之间的冲突，美国媒体选用了“conflict”这一外延更广的词，实现了美化事实的目的。

总而言之，针对有关贸易战这一概念，人民日报和纽约客的报道中都通过上义替换对其进行了委婉修饰，但双方使用委婉语的目的大不相同。对于美方来说，这样做是为了美化事实，引导舆论，掩盖特朗普政府行为的霸道与荒谬。而对于中国来说，面对贸易战，我们面对的是美国这样强大的对手。在这样的情境下，频繁使用“战争”一词可能会引发民众恐慌，影响社会安定，因此采用“冲突”、“摩擦”等上义替换，可以缓和语篇中中美双方对立的紧张局势，避免不安情绪在群众中蔓延。

文末，感受以下 不 使用“委婉语”的例句：

香港的《二零零二年经济展望》中有如下双语报道[4]：

For 2001 as a whole, GDP had only a marginal growth of 01% in real terms, in stark contrast to the double-digit growth at 105% in 2000

二零零一年全年合计，本地生产总值只实质微升 01%, 与二零零零年 105% 的双位数增长大相径庭。

Overall, Hong Kong's GDP is likely to stay on a decline in the early part of 2002, yet with a visible pick-up in the latter part of the year

整体来说，香港的本地生产总值在2002年初仍会下跌，但年内后期将显著回升。

再感受一下更为恶劣的《一九八三年经济展望》对当时经济的描述：

The slowdown in economic activity and the historically poor export performance in 1982 had an unfavourable influence on incomes and on consumption

一九八二年经济活动放缓，而出口业亦出现历年来最恶劣的情况，这对入息与消费均有不利影响。

这语风，是不是很直言不讳？相比前文的委婉，是不是有消极之感？

参考文献：

1王雅琪 中国石油大学(华东)，山东 青岛,  中西经济类新闻报道中委婉语对比研究——以中美贸易战为例

(https://wwwhanspuborg/journal/PaperInformationaspxpaperID=32009)

2五月荷 国际关系岂能回到野蛮时代[N] 人民日报, 2019-05-20(03)

3Cassidy, J (2019) The Growing Dangers of Trump’s Trade War with China The New Yorker, 2019-05-24   

4李德凤 （2007），《财经金融翻译:阐释与实践》，香港﹕香港大学出版社

                  THE END

wwwulinixcom

wwwnahxilarcom

wwwulinixcn

wwwulinixbiz

wwwsankincn

wwwxabnamcom

wwwretimcn

“无字词典”指生活学问，生活常识，有很多东西都是我们在课本上学不到的，靠生活、社会环境自我意识来理解认知的；

“有字词典”指文章，也就是书本。

“学会查无字词典”意为善于观察、发现、思考现实生活里的学问。

俗话说：既要有知识，还要有常识。在这里的理解就是“既要看懂有字词典，还有理解无字词典”。

文章赏析：

本文通过爸爸和聪聪暑假旅游途中的一个生活片断，意在告诉我们：学习语文，不仅要从书本中学，而且还要从生活实践中学。本文思路清晰，层次清楚，课文的题旨要让学生在朗读中领悟。课伊始，我就对题目中的引号做了一番复习，让学生回忆以前课题中遇到的引号，学生纷纷记起《晚上的“太阳”》中的“太阳”指的是电灯；《“黑板”跑了》中的“黑板”指的是马车车厢的后壁；《闪光的“金子”》中的“金子”指的是徐虎一颗全心全意为人民服务的心。利用学生的这份热情，我顺势围绕本课的课题，说说你平时见到的词典是怎样的？为什么要有“无字词典”？这本“无字词典“是什么呢？这样不仅巩固前知，还为学习这本“无字字典”设下悬念。学生带着疑问去学习课文，在学生边自由读边找答案的过程中，我给学生一些提示，让学生根据我出示的段落大意，给课文分好段，并对产生争议的地方讨论，并确定最合理的答案，这样对课文的内容大致有个了解。课文中“骄阳似火”和“惊涛拍岸”是两个重点的词语，联系着上下文。在学习“骄阳似火”时，我让学生找找聪聪和爸爸是怎么理解的，他们能从书中找到答案，接着让学生说说聪聪和爸爸的理解分别来自哪里。学生能够找到聪聪的理解是背词典上的解释获得的，而对于爸爸的理解学生好像不太清楚，我就让学生想像骄阳似火的天气情景是怎么样的？有些学生好像若有所悟似的，有的学生说：“爸爸是观察到的。”有的说：“爸爸，是从现实中看到的。”还有的学生说：“是从生活中观察到的。”虽然，他们的回答并不完整，但已经令我很满意了，可有些学生好像还是无法感悟到。我再让学生想一想夏日烈日当空的情形，树上的叶子都晒蔫了，这都是因为像火一样强烈的太阳光照射（骄阳似火）的缘故，并借助朗读来感悟。学习第六至八自然段，我引导学生把“眼前”看到的“情景”与“惊涛拍岸”这个词语对照起来朗读体会，明白把眼前看到的直观景象与学过的词义想比照，这是学习理解词语的一种方法。在指导朗读时，联系文中的重点词语、相关语句，使图画在学生的脑海中活起来，图文并茂。第九自然段是课文的总结，让学生在朗读中，领会“有字词典”与“无字词典”的含义，解开一开始留下的疑问，“无字词典”指的是生活中的学问，并说说课题的含义，在生活中学习。最后，还对学生提出要求，不仅要从书本中学习，还要留心观察生活，从生活中学习，做学习的主人。