#author("2020-09-24T01:28:03+00:00","default:ogiwiki","ogiwiki")
*名古屋大学2020・コーパス日本語学入門 [#eccc6188]
--日本語講義Ⅲ
--日本語学特殊研究Ⅲ
**もくじ [#p7737821]
#contents
**日程等 [#me6bdec5]
-集中講義
--9月23日 3-5限（13:00～）
--9月24日,25日,28日 2-5限（10:30～）
-オンライン授業
--原則としてオンラインのリアルタイム講義 (Teams)
--TeamsのURLはNUCTで告知する
--資料はこのページまたはNUCTで配布する
--Remo
-連絡先
--togiso◎ninjal.ac.jp （←◎を@に）
*2020年9月23日(水) [#l2bdc231]
**第1回（3限） 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/
--[[国立国語研究所コーパス開発センター>https://pj.ninjal.ac.jp/corpus_center/]] https://pj.ninjal.ac.jp/corpus_center/
-（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]
-オンライン授業の進め方について
--原則としてTeamsでのリアルタイム授業
--休み時間のほか、課題時間を挟む
-[[シラバス>https://www.ogiso.net/wiki/index.php?plugin=attach&pcmd=open&file=NU2020_Syllabus.pdf&refer=%CC%BE%C2%E72020%BD%B8%C3%E6]]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|
|ワープロ''Word''|「スタイル」を利用したレポート作成|
|[[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|
|[[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|
|[[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://pj.ninjal.ac.jp/corpus_center/bccwj/]]
---[[少納言>https://shonagon.ninjal.ac.jp/]]
---[[中納言>https://chunagon.ninjal.ac.jp]]
--[[「日本語歴史コーパス（CHJ）」>https://pj.ninjal.ac.jp/corpus_center/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/]]
**第2回（4限） コーパスの設計 [#d3ad8ff2]
***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）
-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）」
***紙の資料からコーパスまで (日本語研究資料の変遷) [#s7dfd61c]
+(紙の)本文
+(紙の)総索引（コンコーダンス）
+各種の電子テキスト
--[[授業資料/テキストデータ紹介]]
+構造化テキスト
--[[太陽コーパス>https://pj.ninjal.ac.jp/corpus_center/cmj/taiyou/]]など
+形態論情報付きコーパス
--[[現代日本語書き言葉均衡コーパス（BCCWJ）>https://pj.ninjal.ac.jp/corpus_center/bccwj/]]など
***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.
--研究機関のデータベース
---国文学資料館 大系DB 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
-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://pj.ninjal.ac.jp/corpus_center/bccwj/
-均衡コーパス（Balanced corpus）
--「バランスがとれている」「代表性」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
***「日本語歴史コーパス」（CHJ）の構成 [#x9f78d1c]
-https://pj.ninjal.ac.jp/corpus_center/chj/
***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://pj.ninjal.ac.jp/corpus_center/bccwj/index.html]]
--BCCWJの基本設計：https://pj.ninjal.ac.jp/corpus_center/bccwj/basic-design.html
--サンプリング：https://pj.ninjal.ac.jp/corpus_center/bccwj/sampling.html
--XMLによる電子化：https://pj.ninjal.ac.jp/corpus_center/bccwj/XML.html
**第3回（5限） コーパスの形態論情報と形態素解析 [#re595f52]
***コーパスの形態論情報 [#w3c3c79b]
--http://pj.ninjal.ac.jp/corpus_center/bccwj/morphology.html
-短単位と長単位
--''（スライド）''参照
-品詞体系
--BCCWJは[[UniDic>https://ja.osdn.net/projects/unidic/]]の品詞体系にもとづく
---形態論情報の例
--[[授業資料/UniDicの品詞体系]]
--[[授業資料/UniDicの見出し語階層]]
***コーパスへの形態論情報の付与 [#sfd1b3f3]
-短単位：MeCabとUniDicを使った形態素解析で情報付与
-長単位：Comainu（など）で短単位を組み上げる
-BCCWJ関連報告書 http://pj.ninjal.ac.jp/corpus_center/bccwj/doc.html
--形態論情報規程集(PDF) [[第4版 上>http://pj.ninjal.ac.jp/corpus_center/bccwj/doc/report/JC-D-10-05-01.pdf]]・[[第4版 下>http://pj.ninjal.ac.jp/corpus_center/bccwj/doc/report/JC-D-10-05-02.pdf]]
//***形態素解析
#include(授業資料/形態素解析,notitle)
***最近の形態素解析器 [#f7414ba1]
-KyTea
--http://www.phontron.com/kytea/index-ja.html
--点予測という系列ラベリングとは別の手法による形態素解析器
-JUMAN++
--http://nlp.ist.i.kyoto-u.ac.jp/index.php?JUMAN++
--最近公開されたRNN（ディープラーニングの一種）を使った形態素解析器
***長単位解析器 [#i1ef6962]
-Comainu
--https://ja.osdn.net/projects/comainu/
***係り受け解析器 [#o0ecb888]
-CaboCha
--https://taku910.github.io/cabocha/
※BCCWJには係り受け情報は付いていない。NWJCは自動解析した係り受け情報付き
***日本語コーパスのタグ付けのレベル [#a516dfae]
|~テキストのレベル|ツール|必要な技術|h
|~プレーンテキスト|テキストエディタ|grepと正規表現|
|~構造化テキスト|ひまわり→ Excel|XML・マークアップの基礎，ピボットテーブル|
|~形態素解析済み|UniDic+MeCab→中納言・ChaKi|形態素解析の知識，ChaKi等の使い方|
|~係り受け情報付き|+CaboChaなど→ChaKi||
+プレーンテキスト：テキストエディタ（grepと正規表現）
+構造化テキスト（旧「太陽コーパス」など）：XMLと「ひまわり」
+形態素解析済みテキスト（BCCWJ，CHJなど）：「中納言」
+係り受け情報・統語情報付き（NWJC,NPCMJなど）：ChaKi, NPCMJ Searchなど
*2020年9月24日(木) [#lf7c4213]
-配布資料「『中納言』の使い方」
**第4回（2限） 『中納言』の使い方（基礎） [#s0fd2512]
***形態論情報を利用した検索 [#md99ae46]
-資料「『中納言』の使い方」参照
--NUCT[[『中納言』の使い方>https://ct.nagoya-u.ac.jp/access/content/group/2020_1_0121216/20200324_%E4%B8%AD%E7%B4%8D%E8%A8%80%E3%81%AE%E4%BD%BF%E3%81%84%E6%96%B9.pdf]]
-形態論情報の復習
--NUCT[[短単位と長単位資料>https://ct.nagoya-u.ac.jp/access/content/group/2020_1_0121216/%E7%9F%AD%E5%8D%98%E4%BD%8D%E3%81%A8%E9%95%B7%E5%8D%98%E4%BD%8D%E3%83%BB%E8%B3%87%E6%96%99OW1X_00003.docx]]
--動画：コーパス検索システムの言語単位『短単位』 https://youtu.be/s5akpYOzNIU
-CHJ版『中納言』の使い方
--オープンライセンスで公開中：https://bit.ly/3knxC8v
-CHJの形態論情報について
--[[時代別の形態論情報の概要、規程集>https://pj.ninjal.ac.jp/corpus_center/chj/heian.html]]が用意されている
--原則は現代語と同じだが、時代ごとにやや違いがある（平安時代：この・その＝指示詞、複合動詞を分割など）
**第5回（3限） 『中納言』の使い方 [#g4febb05]
***検索条件式の利用 [#wa3409db]
キー: (品詞 LIKE "形容詞%" AND 活用形 LIKE "連体形%")
AND 後方共起: 語彙素="言葉" ON 1 WORDS FROM キー
WITH OPTIONS tglKugiri="|" AND tglBunKugiri="#" AND limitToSelfSentence="1"
AND tglFixVariable="2" AND tglWords="20" AND unit="1" AND encoding="UTF-16LE" AND endOfLine="CRLF"
***「検索課題」 [#uc34c87a]
-配付資料（「中納言検索課題」）参照
--NUCT[[中納言検索課題>https://ct.nagoya-u.ac.jp/access/content/group/2020_1_0121216/%E4%B8%AD%E7%B4%8D%E8%A8%80%E6%A4%9C%E7%B4%A2%E8%AA%B2%E9%A1%8C.pdf]]
***交流会（Remo） [#f4bf10be]
-NUCT経由でのリンク
--https://ct.nagoya-u.ac.jp/access/content/group/2020_1_0121216/https%3A__live.remo.20200924031644.URL
**第6回（4限） 検索結果の集計（Excelとピボットテーブル） [#lbcca5a2]
***「中納言」検索結果のダウンロードとExcelでの利用 [#m04a71cb]
+ダウンロード
+アーカイブの展開（解凍）
+Excelでインポート
***Excelの基礎 [#t5ba152a]
-並べ替え
--反転前文脈の使い方
-フィルタ
--テキストフィルタ
***【重要】ピボットテーブルの使い方 [#d0a7589d]
-ピボットテーブル
-ピボットグラフ
***複数の検索結果の結合 [#l9b3620b]
-例：蒲公英・向日葵・菫
ショートカットキーを活用すると便利
-Ctrl+End ファイルの末尾/表のいちばん右下に移動
-Shift+Ctrl+End 〃範囲を選択
+表をコピー
--Ctrl+Home, ↓（列名はコピーしないようにする）,Shift+Ctrl+End, Ctrl+C
+コピーした表を既存の表の下に貼り付け
--Ctrl+↓, ↓, Ctrl+V, Ctrl+Home
***集計用の列を自分で用意する [#ccae4a87]
-例：表記（ひらがな・カタカナ・漢字）別集計
-例：用法分類
**第7回（5限） ちょっとした応用と注意点 [#y28304ce]
***ランダムサンプリング調査(Excelでの集計・補足) [#j4516bb3]
-大量に用例があり、調査内容からすべて対象にできない場合
-ランダムに並べ替え→先頭n例を調査対象に
--ランダムな数字の列： =RAND()
--ランダムな数字の列をコピーして「値として貼り付ける」と数字が固定される
-ex.「全然」
***BCCWJ利用の落とし穴 [#le968f3e]
-BCCWJはあくまでも「現代語」のためのコーパスなので通時的な調査には向かない
--レジスターによって母集団の年が違っている
---レジスターの偏りを年代の偏りと勘違いしないこと
--30年あるのは白書・ベストセラー・国会会議録など一部のものだけ
-もともとテキスト量の多いレジスターにたくさん用例があるからといって「そのレジスターでよく使われる」とはいえない→調整頻度の計算
--cf.人口あたりの事故件数，１平方キロあたりの…etc.
***調整頻度の計算 [#v1c12e52]
-粗頻度を総語数で割る
--レジスターごとの語数データ：中納言ページの「語数について」からExcelでダウンロードできる
---語数ファイルをピボットテーブルで集計して分母に
-調整頻度には100万語あたりの頻度（pmw）が比較的よく使われる
--粗頻度/コーパス総語数*1000000
---数字が小さくなりすぎないようにするため
-※割合の違いを比較するだけなら調整頻度を出す必要はない。
***Excelの文字列関数とIF関数 [#ueca1dfe]
-例：ジャンル（NDC）の整理
--先頭の文字を取り出す（NDCの一次区分（＝類））
---=LEFT(&color(red){ジャンルのセル};,1)
--スラッシュで区切られた最初の部分（ジャンルの大分類）
---=LEFT(&color(red){ジャンルのセル};,SEARCH("/",&color(red){ジャンルのセル};)-1)
-集計用に用意した列で文字列処理関数を利用する
--LEFT
--RIGHT
--MID
--LEN
--SEARCH
--SUBSTITUTE
-条件わけ：IF
-エラー対応：IFERROR
-応用例：品詞の大分類を使う
--=IFERROR(LEFT(&color(red){品詞};,SEARCH("-",&color(red){品詞};)-1),&color(red){品詞};)
***[[授業資料/EXCELの文字列関数]] [#j1323b8e]
-[[授業資料/EXCELの文字列関数]]
***「中納言」インラインタグ機能の利用 [#h1e23ecf]
***【宿題】レポートテーマについて [#e570c779]
-レポートテーマを考えておくこと
-普段から見聞きする言葉に気をつけるとともに、図書館も活用すること
-ひとつの言葉から、同種の別の語や違う観点からの観察などへと膨らませていく
--[[〈参考〉 国語に関する世論調査の結果について（文化庁）>http://www.bunka.go.jp/tokei_hakusho_shuppan/tokeichosa/kokugo_yoronchosa/]]
--[[〈参考〉国語研・ことばの疑問>https://kotobaken.jp/qa/]]
--[[〈参考〉NHK放送文化研究所・ことばの研究>https://www.nhk.or.jp/bunken/research/kotoba/index.html]]
***例((実際に検索してみてできそうなものと難しそうなものが含まれています)) [#x4a25c3e]
-表記
--「雀」「すずめ」「スズメ」動植物名の表記・・・レジスター別用例数、文体差
--「卵」「玉子」「たまご」「タマゴ」・・・意味の違い？文体差？
--「斡旋」「あっ旋」「あっせん」、「石鹸」「石けん」「せっけん」・・・常用漢字表外字を含む漢語の表記の揺れ
-類義語・対義語
--「奇麗」と「美しい」・・・連体修飾する名詞の違い（→意味の違い）
--「うるさい」「やかましい」「さわがしい」「かしましい」「かまびすしい」類義語・・・共起語、文体差
--「男性」と「女性」（「男」と「女」）・・・語彙の非対称性、社会言語学的分析
-語形、語法
--「好ましい」「好もしい」・・・語形の揺れと文体差
--「煙草を吸う」と「煙草をのむ」・・・用例数の割合、「煙草をのむ」の出現条件
-意味変化・新語
--「役不足」「確信犯」・・・”誤用”と”正用”
--「断トツ」「定番」「夜ご飯」・・・新語の広がり
*2020年9月25日(金) [#t5667134]
**2-4限 [#n73d1104]
*2020年9月28日(月) [#u6050dc9]
**2-4限 [#qef0d993]
![[PukiWiki]](image/pukiwiki.png "[PukiWiki]")
