九大2023
九州大学:国語学演習 III / 日本語史資料研究 III†
コーパス日本語学†
- 質問コーナー(授業のことで質問があったら下記に記入してください。次の授業時に回答します。)
5月15日(第5回)コーパス検索アプリケーション「中納言」(2)†
5月7日(第4回)コーパスの形態論情報(2)/コーパス検索アプリケーション「中納言」(1)†
品詞体系†
- BCCWJ・CHJはUniDicの品詞体系にもとづく(BCCWJのために開発されたのがUniDic)
形態素解析を試してみる†
形態素解析とその仕組み†
コーパス検索アプリケーション「中納言」(1)†
5月1日(第3回)コーパスの形態論情報/(コーパスの設計(2))†
コーパスの形態論情報(1)†
- コーパス検索アプリケーション「中納言」と短単位と長単位
※今回は早めに終わります。CEJCの設計については次回までに下記の参考動画を見ておいてください。
4月24日(第2回)コーパスの設計†
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。
- 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)
- 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)」「日本語歴史コーパス(CHJ)」「昭和・平成書き言葉コーパス(SHC)」「日本語日常会話コーパス(CEJC)」
「現代日本語書き言葉均衡コーパス」(BCCWJ)の構成【省略版】†
- 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
参考リンク†
- 英語のコーパス リファレンス
- 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)の構成†
- 残された資料に限りがある(そもそも偏りがある)歴史的なコーパスの場合、現代語コーパス同様の「代表性」を求めることは困難
- 近世以前
- 残されている資料が少なく、できるだけ(可能なら全部)コーパスに入れたい
- 近世(後期)以降
- 偏りはあるものの選べるだけの資料があるが、それでもなるべく全文でいれたい(作品など資料単位で調査したい)
- 『日本語歴史コーパス』の中身
- 中世以前は重要な資料をまるごと対象に
- 近世の洒落本・人情本:年代・著者(・地域)のバランスを取って作品単位でサンプリング
近代語コーパスの場合†
- 近代雑誌コーパス(現在はCHJの一部)
- 多様な記事を含む「総合雑誌」を対象とすることでバランスを確保
- 発行年での大まかなサンプリング
- その後の雑誌コーパスも8年おきに収録
- 明六雑誌・東洋学芸雑誌・国民之友・太陽(・中央公論・文藝春秋)
- 近代小説
「昭和・平成書き言葉コーパス」(SHC)の構成†
- CHJの後を受けて現代までを通時的に研究するためのコーパス。1933年以降、8年おき11か年分(1933・1941・1949・1957・1965・1973・1981・1989・1997・2005・2013)を収録。
- 雑誌
- 1933~1957 年刊の『中央公論』と1965~2013 年刊の『文芸春秋』(8年おき11か年分)
- ベストセラー書籍
- 1933年以降、8年おき11か年のベストセラー書籍
- 新聞
- 1933年以降、8年おき11か年の『読売新聞』奇数月2日の朝刊1冊
4月17日(第1回)イントロダクション/日本語コーパスの紹介†
イントロダクション†
授業内容等の確認†
「中納言」アカウントについて†
- 「授業アカウント」について
- 「中納言」オンライン利用申込み
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)†
授業内容デモ†
- コーパスの利用
- Excelによる集計(ピボットテーブル)
- 形態素解析
- テキストエディタと正規表現
(参考動画)†