清泉2020集中 の履歴(No.11)

• 履歴一覧
• 差分 を表示
• 現在との差分 を表示
• ソース を表示
• 清泉2020集中 へ行く。
  • 1 (2020-08-17 (月) 08:42:15)
  • 2 (2020-08-17 (月) 08:45:01)
  • 3 (2020-08-18 (火) 02:52:58)
  • 4 (2020-08-18 (火) 10:07:01)
  • 5 (2020-08-18 (火) 20:39:21)
  • 6 (2020-08-19 (水) 00:48:43)
  • 7 (2020-08-19 (水) 12:34:01)
  • 8 (2020-08-19 (水) 20:38:53)
  • 9 (2020-08-20 (木) 10:05:41)
  • 10 (2020-08-20 (木) 21:53:58)
  • 11 (2020-08-21 (金) 07:54:29)
  • 12 (2020-08-23 (日) 20:36:39)

---

2020清泉女子大学 集中講義†

• 10:00 - 15:30
• オンライン（Zoom）

• 学びの泉：授業ページ
• シラバス：清泉ポータル シラバス参照

• 日程
  • 8月18日(火)
  • 8月19日(水)
  • 8月20日(木)
  • 8月21日(金)
  • 9月7日(月)

---

---

8月18日(火)†

第1回 イントロダクション†

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/
• コーパス開発センター

授業内容の紹介†

授業で利用する主なソフトウェア・Webアプリケーション†

デモ†

• テキストエディタとgrep
• 全文検索システムひまわり

• 「現代日本語書き言葉均衡コーパス（BCCWJ）」
  • BCCWJ少納言
  • 中納言
• 「日本語歴史コーパス（CHJ）」
• Excelによる集計（ピボットテーブル）
• 形態素解析
  • Web茶まめ

シラバス確認†

• シラバス：清泉ポータル シラバス参照
  • 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†

• 関心分野・時代
• PC歴

国語研のコーパス利用申し込み（「中納言」）†

• 「中納言」オンライン利用申込み
  • https://chunagon.ninjal.ac.jp/useraccount/register

第2回 電子化テキストとテキストエディタ†

文字コード†

• ㋿（令和）の話
  • 授業資料/文字コード関連リンク

テキストデータとは†

• すべての基本、文字が並ぶだけのデータ
  • 授業資料/テキストデータとは
  • バイナリファイルとテキストファイル
• TXT,CSV,HTM・・・
  • ファイルの種類と拡張子 参考：拡張子辞典
  • 拡張子(wikipedia)

• 授業資料/テキストデータ紹介

テキストエディタ†

• テキストエディタとはどんなものか
  • 授業資料/テキストエディタ

サクラエディタのダウンロードとインストール†

• ★サクラエディタのダウンロード
  • (参考) サクラエディタホームページ：https://sakura-editor.github.io/

• インストールの手順
  • ダウンロードしたzipファイルの中にあるsakura-install*.exeをデスクトップにコピー
  • exeファイルを右クリックして「セキュリティ」の右の「許可する」をチェックして「OK」
  • ダブルクリックしてインストール

テキストエディタを使ってみる†

• テキストエディタの設定
  • 行の折り返し
  • 行番号表示
    • スタイル行番号（ワープロ的行番号）と論理行番号（エディタ的行番号）

• 練習用サンプルデータ（漱石＋芥川）
  • sample.zip

• ★サンプルデータ2（漱石・文末で改行）
  • soseki2.zip （夏目漱石作品）

テキストエディタの基本†

• 検索・置換、grep
  • 検索で初出行を調べる
  • 置換で用例数を数える
  • grepで用例リストを作る
  • タグジャンプで文脈を確認する
  • サブフォルダのgrep

ショートカットキー†

• 授業資料/覚えておきたいショートカットキー

grepと置換でKWIC(CSVファイル)を作る（簡易版）†

• CSVファイルとは：テキストファイルで表を表現する 用語：CSVファイル
• KWIC：KeyWord In Context

参考：テキストデータ（青空文庫）の配布†

• aozoradoc2.zip（青空文庫全テキスト）
  • 必要な人のみダウンロードしてUSBメモリで持ち帰ってください

第3回 テキストエディタと正規表現　†

正規表現を使ってみる†

• 文字クラス
  • 例：読[まみむめもん]
    • 半角ブラケットの中に文字を並べる→並べた文字いずれか1文字

正規表現とは†

• 正規表現　＞用語
  • 文字を表すための特殊な文字（メタ文字）を使って文字列のパターンを表現する
  • エディタでは置換・検索・grepで利用できる　（エディタ以外にもさまざまなアプリケ－ションやコンピュータ言語で利用されている）
  • 特殊な文字（メタ文字）はすべて半角

正規表現のいろいろ†

• 授業資料/正規表現
  • 文字クラス [ ]
  • 文字クラスの否定（補集合）[^ ]
  • 繰り返し ? + *
  • グループ化 ()
  • or（論理和） |
  • 文頭 ^、文末 $

---

8月19日(水)†

「中納言」申し込み状況の確認†

• ログインの確認
• https://chunagon.ninjal.ac.jp/

第4回 正規表現の応用／タグ付き正規表現†

正規表現の応用†

• カタカナ語
  • カタカナ（外来語）の形容動詞語幹
• 送りがなの揺れ（行う／行なう）
• 会話文中（"「"で始まる文中）の用例を検索する
• 同一文中での共起
  • 全然～ない。
  • もし～なら（ば）

タグ付き正規表現とは†

• 走[らりるれろ] でgrepした結果を置換するにはどうしたらいいか
  • 次のように置換するととんでもないことに…
    • 検索文字列：走[らりるれろっ]
    • 置換文字列：★走[らりるれろっ]
• タグ付き正規表現・カッコ（半角丸カッコ）と\1（\2，\3…）を使う
• 授業資料/タグつき正規表現

検索文字列の中での後方参照†

• 検索語の中で\1を使う
  • (..)\1 「ころころ」「毎日毎日」など二文字の繰り返しにマッチ
  • (.ろ)\1 「ころころ」「どろどろ」「へろへろ」などにマッチ

最長一致の原則（greedy matching）†

• 正規表現は、パターンが一致する最も長い範囲にマッチする
  • 例：あ+ → 【\1】
    • ああああああああ →　【ああああああああ】 そのせいで…
  • 例：「(.+)」 → 【\1】
    • 「こんにちは」「さようなら」 →　【こんにちは」「さようなら】
  • 括弧の組ごとに置換するためには「([^」]+)」 → 【\1】　のように書かなければならない
    • 「こんにちは」「さようなら」 →　【こんにちは】【さようなら】
• よりかんたんに指定するには（最短一致，ものぐさ指定）
  • 「(.+?)」「(.*?)」のように、繰り返し指定の+*の後に「?」をつける

• （参考）タグ付き正規表現の応用：grepと置換でKWICを作る

正規表現に関する参考資料†

• サクラエディタの正規表現：https://sakura-editor.github.io/help/HLP000089.html
• 正規表現に関する本　amazonで検索

第5回 全文検索ソフト「ひまわり」†

全文検索システム「ひまわり」について†

• 全文検索システム「ひまわり」
  • ただのテキストファイル（プレーンテキスト）ではなく、XML形式にして、インデックスを付けた専用のデータを利用

• ひまわり のダウンロードページ　プログラム本体
• ひまわり用「青空文庫」パッケージのダウンロードページ　検索対象のデータセット

「ひまわり」本体のインストール†

• ひまわり のダウンロードページからプログラム本体をダウンロード
  1. ダウンロードしたファイルのセキュリティブロックを解除
  2. 解凍後、フォルダごとUSBメモリにコピー

「青空文庫パッケージ」のインストール†

• 青空文庫パッケージのダウンロード
  1. ひまわり用「青空文庫」パッケージのダウンロードページから「青空文庫パッケージ」をUSBメモリに直接ダウンロードして保存（サイズが大きいのでPCにダウンロードできない）

1. USBメモリにコピーしたフォルダ内のhimawari.exeを起動
   1. Himawari画面上にダウンロードしたzipファイルをドラッグ＆ドロップ*1
   2. しばらく待つと完了（数分から10分程度はかかる）
2. 要らなくなったUSBメモリ上の青空文庫パッケージzipファイルは不要なので削除する

「ひまわり」の使い方†

• ひまわりの動作確認
• 検索方法の説明
  • ひまわりの正規表現について（授業資料/Himawariの正規表現）

• 振り仮名の検索

第6回 Excelによる検索結果の集計(ピボットテーブル）†

ひまわりの検索結果をExcelに†

• 検索結果のコピー
  1. すべて選択＞コピー（列名を含む）
  2. Excelを起動して貼り付け

Excelの基本操作†

• 並べ替え（ソート）
• フィルター（絞り込み）
  • テキストフィルター
  • 多重フィルター（複数の条件指定）
• ピボットテーブル★
  • ピボットグラフ

ひまわり検索結果をExcelで扱う†

• ピボットテーブルとピボットグラフ
  • 例：「気持ち」「心持ち」
  • 例：「それきり」「それぎり」
  • 例：「～的な」「～的の」
    • ※「目的」「標的」などをフィルタで除去

生年代による集計（通時的変化）†

• 文字列処理関数の利用
  • 例： =left(<文字列>,<文字数>)
    • 生年代： =left(<生年月日が入っているセル>,3)*10

• 生年月日データの書式について
  • 「青空文庫」の生年月日が書式の自動変換でおかしくなるのを防ぐ
    • 1900年以前の年月日は文字列、それ以降は日付として認識される

1. Himawariで「すべて選択」後、「すべて選択」「コピー（列名含む）」をする
2. 新しいExcelのシートで生年月日の列が貼り付けられることになる列（NとO）を丸ごと選択し、書式を「文字列」とする
3. Excelに貼り付ける

サンプリング調査†

• 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

ひまわりで利用可能なデータについて†

• 現代語のデータ
  • 国会会議録データ
  • 法令データベース
  • 口コミサイト
• 近代語のデータ
  • 太陽コーパス
  • 近代女性雑誌コーパス
  • 明六雑誌コーパス
  • 国定高等小学読本
• 古典文学作品のデータ

8月20日(木)†

「ひまわり」復習・補足†

分類用の列を作って集計する†

• 入力用の列を作り手作業で意味分類する
  • 例：「新聞紙」の意味・用法の変化
    • ランダムに並べ替えた後、できる範囲で意味分類を記入→ピボットテーブル

第7回 日本語コーパスの紹介†

コーパスとは†

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。

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、言語研究にも利用可能。

• この授業で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）」

「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†

• 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†

• https://pj.ninjal.ac.jp/corpus_center/chj/

第8回 Web版コーパス検索ツールの利用（1）†

BCCWJ, CHJの検索ツール†

• BCCWJ少納言
  • 登録不要
  • 文字列検索のみ
  • 500例まで表示
• 中納言(BCCWJ, CHJほか)
  • 要登録
  • 形態論情報を使った検索
  • 全件（一度に最大10万例まで）ダウンロード可

コーパスの形態論情報：短単位と長単位†

• （スライド参照）　短単位と長単位

• 配布資料参照

品詞体系と見出し語の階層†

• BCCWJ,CHJはUniDicの品詞体系にもとづく

• 授業資料/UniDicの品詞体系
• 授業資料/UniDicの見出し語階層

第9回 Web版コーパス検索ツールの利用（2）†

「中納言」の利用†

• 資料「中納言の使い方」
  • BCCWJ版「中納言の使い方」
  • CHJ版「中納言の使い方」

形態論情報を使った検索のまえに†

• まずは文字列検索で確認する

レポートテーマについて†

• できるだけ、明日までにレポートテーマを考えてくること

8月21日(金)†

第10回 Web版コーパス検索ツールの利用（3）†

形態論情報を使った検索†

• 資料BCCWJ版「中納言の使い方」参照

検索条件式の利用†

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"

第11回 検索結果の集計と分析†

「中納言」検索結果のダウンロードとExcelでの利用†

Excelの基礎ふたたび（略）†

• 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
• 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†

• 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

1. 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
2. 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†

• 例：表記（ひらがな・かたかな・漢字）別集計
• 例：用法分類

「検索課題」†

• 配付資料参照

第12回 レポートテーマ探索と調査†

• 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

（現代語の場合）

• 〈参考〉 国語に関する世論調査の結果について（文化庁）
• 〈参考〉国語研・ことばの疑問
• 〈参考〉NHK放送文化研究所・ことばの研究

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

新語・意味変化†

• 「断トツ」「定番」「夜ご飯」・・・新語の広がり
• 「役不足」「確信犯」・・・”誤用”と”正用”

検索の例†

• 男と女・男性と女性の非対称性　//データ kwic-MaleFemale.zip
  • 男性と女性
  • 男と女と形容詞

9月7日までにレポートテーマを考えてくること。

第13回 データの加工と集計 (Excel)†

出現サンプル数の調査（重複の削除）†

用例数ではなく、用例が一つでも出現したサンプル（作品）の数を調べたい場合

• たとえば一人称代名詞など、サンプル毎に偏って多数現れる語の調査 「データ」→「重複の削除」

Excelの文字列関数とIF関数†

• 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(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(ジャンルのセル,SEARCH("/",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(品詞,SEARCH("-",品詞)-1),品詞)

【参考】 授業資料/EXCELの文字列関数†

• 授業資料/EXCELの文字列関数

• ジップの法則

ランダムサンプリング調査(Excelでの集計)ふたたび†

• 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†

• 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†

• 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。

• 例：kwic-yahari.zip

発展(Excelの活用)†

• VLOOKUP関数