総研大2025/言語資源学 の履歴(No.1)

• 履歴一覧
• 差分 を表示
• 現在との差分 を表示
• ソース を表示
• 総研大2025/言語資源学 へ行く。
  • 1 (2025-05-12 (月) 14:27:33)
  • 2 (2025-05-12 (月) 17:30:02)
  • 3 (2025-05-19 (月) 17:19:34)
  • 4 (2025-05-22 (木) 09:02:32)
  • 5 (2025-05-26 (月) 14:31:55)
  • 6 (2025-05-29 (木) 18:26:57)
  • 7 (2025-06-02 (月) 15:17:45)
  • 8 (2025-06-09 (月) 17:18:33)
  • 9 (2025-06-09 (月) 19:28:56)
  • 10 (2025-06-15 (日) 16:41:48)

---

総研大2025

• 月曜4限
• シラバス：https://cplan-web.soken.ac.jp/Kyoin/web/Syllabus/WebSyllabusSansho/UI/WSL_SyllabusKakunin.aspx?P1=40JLS00301&P2=2025&P3=20250401

2025/05/12†

日本語電子化資料の歴史†

紙の資料からコーパスまで ～テキストの電子化とアノテーションの高度化†

1. (紙の)本文
2. (紙の)総索引（コンコーダンス）
3. 電子テキスト：テキスト （199x年代～）
   • 授業資料/テキストデータ紹介
4. 構造化テキスト：テキスト+XMLによる構造化タグ （200x年代～）
   • 太陽コーパスなど
5. 単語情報付きのコーパス：テキスト+XMLによる構造化タグ+形態論情報　（201x年代～）
   • 現代日本語書き言葉均衡コーパス（BCCWJ）など
   • 日本語歴史コーパス（CHJ）など

コーパスのファイル形式とアプリケーション†

• ファイル形式と実例
  1. 電子テキスト：プレーンテキスト
  2. 構造化テキスト：XMLファイル
  3. 単語情報付きデータ：単語情報を埋め込んだXML　／XMLファイル＋CSVファイル
  • （発展）XMLの限界とスタンドオフアノテーション

• それぞれの利用アプリケーション
  1. 電子テキスト：テキストエディタ＋grepなど
  2. 構造化テキスト：全文検索システム「ひまわり」、XMLエディタ（Oxygen, VSCode）、XPath・XSLT
  3. 単語情報付きデータ：中納言（オンライン）／Chaki.Net（ローカル）

テキストエディタ†

• 授業資料/テキストエディタ

• VisualStudio Codeのインストールと設定
  • 拡張機能 Japanese Language Packの追加
    • 参考：https://web.yokkaichi-u.ac.jp/yucc/archives/1542
  • ファイルオープン時にエンコーディングを自動判別するよう設定
    • https://www.javadrive.jp/vscode/setting/index3.html
  • 拡張機能 XML Language Support by Red Hatの追加

テキストデータと文字コード†

• 授業資料/テキストデータとは

• 練習用サンプルデータkokoto.txt

• 【課題】サンプルテキスト（青空文庫の夏目漱石「こころ」）をダウンロードしてVS codeで開き、UTF-8で保存しなおす

正規表現について†

• 授業資料/正規表現
  • 文字クラス [ ]
  • 文字クラスの否定（補集合）[^ ]