東大2021 の履歴ソース(No.10)

#author("2021-04-19T13:33:32+00:00","default:ogiwiki","ogiwiki")
[[FrontPage]]

*言語学特殊講義XI／コーパス日本語学 [#f20f4b84]
-前期金曜4限：14:55-16:40
-Mail: ogiso@ogiso.net

-Zoomによるリアルタイムのオンライン授業形式で行います。ZoomのURLはITC-LMSのページで確認してください。
--[[文学部 04212151 言語学特殊講義XI>https://itc-lms.ecc.u-tokyo.ac.jp/lms/course?idnumber=2021042121510F01]]
--[[人文社会系研究科 21210110 コーパス日本語学>https://itc-lms.ecc.u-tokyo.ac.jp/lms/course?idnumber=2021212101100F01]]
※ITC-LMSのコースをまとめて、学部のページに統合しました。（20210419）

----
**4月23日（第3回） コーパスの設計（2） [#d3ad8ff2]

***前回続き（スライド残り） [#ib63a249]
-著作権をめぐる問題
--[[科研・昭和平成書き言葉コーパス（構築中）>https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-19H00531/]]
---改正著作権法に則り、権利処理なしでオンライン公開予定

***電子化とアノテーション [#fbd1c13d]
-XMLの話



**4月16日（第2回） コーパスの設計 [#d3ad8ff2]

-「中納言」授業アカウントの配布について


※以下、''[[スライド（学部授業用）>https://itc-lms.ecc.u-tokyo.ac.jp/lms/course/material/setfiledown/UT_%E3%82%B3%E3%83%BC%E3%83%91%E3%82%B9%E3%81%A8%E3%81%AF%EF%BD%9EBCCWJ%E3%81%AE%E8%A8%AD%E8%A8%88.pdf?fileName=UT_%E3%82%B3%E3%83%BC%E3%83%91%E3%82%B9%E3%81%A8%E3%81%AF%EF%BD%9EBCCWJ%E3%81%AE%E8%A8%AD%E8%A8%88.pdf&fileId=1618548420142418531&idnumber=2021042121510F01&resourceId=418531&screen=1&contentId=276755&endDate=2021-09-30+00%3A00%3A00.0]]（[[大学院授業用・同内容>https://itc-lms.ecc.u-tokyo.ac.jp/lms/course/material/setfiledown/UT_%E3%82%B3%E3%83%BC%E3%83%91%E3%82%B9%E3%81%A8%E3%81%AF%EF%BD%9EBCCWJ%E3%81%AE%E8%A8%AD%E8%A8%88.pdf?fileName=UT_%E3%82%B3%E3%83%BC%E3%83%91%E3%82%B9%E3%81%A8%E3%81%AF%EF%BD%9EBCCWJ%E3%81%AE%E8%A8%AD%E8%A8%88.pdf&fileId=1618548490600418536&idnumber=2021212101100F01&resourceId=418536&screen=1&contentId=276758&endDate=2021-09-30+00%3A00%3A00.0]]）も参照''

***コーパスとは [#t54768fa]

:狭義のコーパス|言語研究を目的として収集され、言語研究のための情報が付けられたコンピュータ上で利用可能な大規模な言語データ。
--現代日本語書き言葉均衡コーパス（BCCWJ） / 日本語歴史コーパス（CHJ）
:広義のコーパス|コンピュータ上で利用可能な大規模な言語データ。必ずしも言語研究向きではないが、言語研究に利用可能。
--さまざまなテキストアーカイブ（新潮文庫の百冊 / 青空文庫 / 国会会議録）
---[[「ひまわり」パッケージ>https://www2.ninjal.ac.jp/lrc/index.php?%C1%B4%CA%B8%B8%A1%BA%F7%A5%B7%A5%B9%A5%C6%A5%E0%A1%D8%A4%D2%A4%DE%A4%EF%A4%EA%A1%D9]]
--Web上のデータ
---検索サイトの利用
---WAC（Web as Corpus）
-言語学分野では前者、自然言語処理分野などでは後者の意味で使いがち。

-この授業で主に扱うのは狭義のコーパス。中でも「現代日本語書き言葉均衡コーパス（BCCWJ）」と「日本語歴史コーパス（CHJ）」


***コーパスに求められるもの [#h042f3fe]

-コーパス以前の電子化日本語資料（とその限界）
--個人研究者による電子化テキスト
---cf. [[日本文学等テキストファイル(岡島昭浩)>http://www.ne.jp/asahi/nihongo/okajima/bungaku.htm]]
--出版社による電子出版物（CD-ROM）
---新潮文庫の100冊 etc.
--新聞のデータベース（CD-ROM）
---毎日新聞CD-ROM etc.
--Web上のテキストアーカイブ
---青空文庫 etc.
--Webそのもの
---Web as Corpus

-（現代語）コーパスへの要請
--大規模であること
--各種のテキストが含まれていて、ジャンルなどのバランスがとれていること
--著作権の問題がないこと
--言語研究に利用できる情報がついていること


***「現代日本語書き言葉均衡コーパス」（BCCWJ）の構成とサンプリング [#s89fe505]
-https://ccd.ninjal.ac.jp/bccwj/

-均衡コーパス（Balanced corpus）
--「バランスがとれている」「代表性がある（representative）」とは？
--コーパスの母集団の設定とサンプリング
--BCCWJのサブコーパス
--可変長と固定長
-著作権をめぐる問題★次回、ここから


***参考リンク [#o1a9da5c]
-英語のコーパス リファレンス
--[[ブラウンコーパス マニュアル>http://khnt.aksis.uib.no/icame/manuals/brown/]] http://khnt.aksis.uib.no/icame/manuals/brown/
--[[BNCリファレンスガイド>http://www.natcorp.ox.ac.uk/docs/URG/]] http://www.natcorp.ox.ac.uk/docs/URG/
-現代日本語書き言葉均衡コーパス（BCCWJ）
--[[現代日本語書き言葉均衡コーパス：概要>https://ccd.ninjal.ac.jp/bccwj/index.html]]
--BCCWJの基本設計：https://ccd.ninjal.ac.jp/bccwj/basic-design.html
--サンプリング：https://ccd.ninjal.ac.jp/bccwj/sampling.html
--XMLによる電子化：https://ccd.ninjal.ac.jp/bccwj/XML.html



**4月9日（第1回）イントロダクション/日本語コーパスの紹介 [#wdd4ab2f]

***イントロダクション [#z7ffa4ea]

-[[自己紹介]]
--大学共同利用機関法人人間文化研究機構 [[国立国語研究所>https://www.ninjal.ac.jp/]] https://www.ninjal.ac.jp/
--[[国立国語研究所コーパス開発センター>https://ccd.ninjal.ac.jp/]] https://ccd.ninjal.ac.jp/


-（参考）国語研オープンハウス2020　https://www2.ninjal.ac.jp/openhouse2020/
--動画「日本語歴史コーパス」の紹介 https://youtu.be/tKvVR2K2h2E


***授業内容等の確認 [#e55ee18f]

-[[シラバス>https://www.ogiso.net/wiki/index.php?plugin=attach&pcmd=open&file=2021_UT_syllabus.pdf&refer=%C5%EC%C2%E72021]]の確認
--この授業の目的
--授業の進め方
--評価方法


-受講者アンケート
--関心のある分野について
--PC等のスキルについて


***「中納言」アカウントについて [#t6709ede]
-「授業アカウント」について
-「中納言」オンライン利用申込み
--https://chunagon.ninjal.ac.jp/useraccount/register


***授業で利用する主なソフトウェア・Webアプリケーション（予定） [#i06478d2]
|ソフトウェアの種類・名前|利用目的|h
|[[コーパス検索アプリケーション''「中納言」''>https://chunagon.ninjal.ac.jp/]]|コーパスの検索|
|表計算ソフト''Excel''|ピボットテーブルによる分析・グラフ作成|
|[[Web茶まめ>https://chamame.ninjal.ac.jp/]]|形態素解析|
|[[テキストエディタ ''サクラエディタ''>http://sourceforge.net/projects/sakura-editor/]]|正規表現を使ったテキストの検索・整形|
|ワープロ''Word''|「スタイル」を利用したレポート作成|
|[[全文検索ソフト''ひまわり''>https://www2.ninjal.ac.jp/lrc/index.php?%C1%B4%CA%B8%B8%A1%BA%F7%A5%B7%A5%B9%A5%C6%A5%E0%A1%D8%A4%D2%A4%DE%A4%EF%A4%EA%A1%D9]]|データの検索,ミニコーパスの作成|
|[[R>https://www.r-project.org/]]|データの統計分析|


***授業内容デモ [#kc4ae1c5]
-コーパスの利用
--[[「現代日本語書き言葉均衡コーパス（BCCWJ）」>https://ccd.ninjal.ac.jp/bccwj/]]
---[[梵天（BCCWJ文字列検索）>https://bonten.ninjal.ac.jp/bccwj/string_search]]
---[[中納言>https://chunagon.ninjal.ac.jp]]
--[[「日本語歴史コーパス（CHJ）」>https://ccd.ninjal.ac.jp/chj/]]
-Excelによる集計（ピボットテーブル）
-形態素解析
--[[Web茶まめ>https://chamame.ninjal.ac.jp]]
-テキストエディタとgrep
-全文検索システム[[ひまわり>https://www2.ninjal.ac.jp/lrc/index.php?%C1%B4%CA%B8%B8%A1%BA%F7%A5%B7%A5%B9%A5%C6%A5%E0%A1%D8%A4%D2%A4%DE%A4%EF%A4%EA%A1%D9]]
-[[R>https://www.r-project.org/]]