上智2015/国語学演習IIIb の履歴(No.23)

• 履歴一覧
• 差分 を表示
• 現在との差分 を表示
• ソース を表示
• 上智2015/国語学演習IIIb へ行く。
  • 1 (2015-10-01 (木) 21:12:06)
  • 2 (2015-10-01 (木) 21:42:45)
  • 3 (2015-10-09 (金) 03:07:33)
  • 4 (2015-10-09 (金) 09:17:50)
  • 5 (2015-10-09 (金) 15:29:33)
  • 6 (2015-10-15 (木) 22:14:34)
  • 7 (2015-10-16 (金) 13:29:39)
  • 8 (2015-10-22 (木) 21:18:26)
  • 9 (2015-10-23 (金) 15:48:17)
  • 10 (2015-10-29 (木) 18:20:42)
  • 11 (2015-10-30 (金) 14:45:53)
  • 12 (2015-10-30 (金) 16:27:04)
  • 13 (2015-11-06 (金) 09:07:48)
  • 14 (2015-11-06 (金) 15:24:05)
  • 15 (2015-11-12 (木) 23:10:02)
  • 16 (2015-11-13 (金) 07:56:16)
  • 17 (2015-11-13 (金) 16:47:08)
  • 18 (2015-11-20 (金) 12:27:50)
  • 19 (2015-11-27 (金) 00:21:29)
  • 20 (2015-12-03 (木) 20:58:21)
  • 21 (2015-12-04 (金) 08:52:24)
  • 22 (2015-12-04 (金) 14:19:58)
  • 23 (2015-12-04 (金) 15:55:33)
  • 24 (2015-12-11 (金) 09:36:50)
  • 25 (2015-12-17 (木) 21:37:35)
  • 26 (2016-01-08 (金) 00:44:23)
  • 27 (2016-01-08 (金) 09:11:29)

---

上智2015

コーパスにもとづく日本語史研究

• 後期・金曜4限
• ogiso＠ogiso.net　←＠を@に直してください

• CHJ中納言 https://chunagon.ninjal.ac.jp/

2015/12/04

コロケーション強度の話

• 単純な用例数では危険
• もともと頻度が高いもの同士のつながりは多くて当たり前

• コロケーション強度には様々なものがある
  • ダイス係数
  • Tスコア
  • MIスコア（相互情報量）

• ダイス係数＝2×（ABの用例数／（Aの用例数＋Bの用例数））　
  • 「つ」の前の動詞の場合
    • AB＝ 「動詞＋つ」の用例数
    • A＝当該動詞の用例数
    • B＝「つ」の用例数

• ｔスコア＝（ABの用例数 - Aの用例数×Bの用例数／コーパスの総語数）／√ABの用例数

• MIスコア（相互情報量）＝log[2]ABの用例数×コーパスの総語数／Aの用例数×Bの用例数

• 【参考資料】助動詞と上接動詞のコロケーション

レポートテーマについて

• レポートテーマについて全員に聞き、コメントします。
• その後、次回以降に小発表できるだけの調査を行ないます。積極的に質問して下さい。

2015/11/27

• Excelによる集計のテクニック（ひまわり／中納言共通）

複数の検索結果をまとめる

• 一つの表に貼り付けて集計する

分類用のフィールドを作って集計する

• 例：「新聞紙」の意味・用法の変化
• データ：https://dl.dropboxusercontent.com/u/134600/sinbunsi.xlsx

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

関数の利用

• 文字列処理関数
  • 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

• （注意）ひまわりの検索結果をExcelに貼り付けるとき
  • 生年月日がくる列全体のセルの書式を「文字列」としたうえで貼り付ける
  • 1900年以前の日付が正しく変換されず不統一になるのを防ぐため

日本語歴史コーパス「中納言」補足

• 地の文・会話文
• 発話者

レポートテーマについて

• 次回までにレポートテーマを考えてくること（全員に聞きます）

2015/11/20

短単位について

• 資料参照 PDF

品詞体系

• BCCWJと同様、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

中納言の使い方（続き）

• 資料参照 PDF
  • 4.「検索結果のダウンロード」から

2015/11/13

（補足）研究例

• 漢語サ変動詞の可能の形
• 形容動詞の連体修飾の形

（補足）さまざまな「ひまわり」用データ

• 形態論情報付きの「ひまわり」用データ
• 「明六雑誌コーパス」
  • http://www.ninjal.ac.jp/corpus_center/cmj/meiroku/
• 「洒落本コーパス」「人情本コーパス」試作版
  • http://pj.ninjal.ac.jp/corpus_center/chj/edo.html

利用可能なデータについて

• 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◎
  • 国民之友コーパス◎
  • 国定高等小学読本
• 国会会議録データ
• 法令データベース
• 青空文庫◎
• 口コミサイト
• 古典文学作品のデータ

---

『日本語歴史コーパス』（CHJ）を使う

• 『日本語歴史コーパス』
  • http://www.ninjal.ac.jp/corpus_center/chj/
• 中納言
  • https://chunagon.ninjal.ac.jp

中納言の使い方

• 資料参照 PDF
  • 4.「検索結果のダウンロード」まで【済】

2015/11/06

青空文庫の「ひまわり」データ

• ひまわり『青空文庫』パッケージ

ピボットテーブル（復習）

• 調査例
  • 「～に/を信頼する」
  • 「それきり」「それぎり」
  • 「気持ち」「心持ち」
  • 「～的の/な」

関数の利用

• 文字列処理関数
  • 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

参考文献

• 国立国語研究所編（2005）『雑誌『太陽』による確立期現代語の研究―『太陽コーパス』研究論文集』博文館新社 #amazon(4861151554)
• 田中牧郎（2013）『近代書き言葉はこうしてできた』岩波書店 #amazon(4000286269)

• 近藤泰弘・田中牧郎・小木曽智信編（2015）『コーパスと日本語史研究』 (ひつじ研究叢書 言語編 第127巻) #amazon(4894767511)

中納言ログイン

2015/10/30

「太陽コーパス」

• 授業用データ

「ひまわり」検索結果をExcelで扱う

• ケーススタディ/障がい

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

2015/10/23

近代雑誌コーパスと「ひまわり」

• 近代語のコーパス
  • 「太陽コーパス」（販売中）
  • 「近代女性雑誌コーパス」（公開中）
  • 「明六雑誌コーパス」（公開中）〈形態論情報付き〉
  • 「国民之友コーパス」（公開中）〈形態論情報付き〉

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」の導入

• 「近代女性雑誌コーパス」のインストールと動作確認

• ひまわりの正規表現について（授業資料/Himawariの正規表現）

2015/10/16

• 今回からUSBメモリを使います。
• 日本語歴史コーパス（CHJ）中納言は登録手続き中です。
  • 前回提出していない人は必ず提出して下さい（申込み用紙1枚、契約書2枚の計3枚を押印して提出）。

テキストエディタ

• テキストデータ（青空文庫）の配布
  • soseki2.zip （今日の授業で使います）
  • aozoradoc2.zip（青空文庫全テキスト・参考）
  • ダウンロードしてUSBメモリに展開（解凍）してください

• 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

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）
  • 記号はすべて半角
  • 記号そのものを表す場合には\でエスケープする（特殊な意味を打ち消す）　例：1\+2

• 文字クラス [ ]
  • 文字クラスの補集合（それ以外の文字）[^ ]

• 授業資料/正規表現

2015/10/9

• 次回以降、USBメモリ（少なくとも2GB以上）を持ってきてください。

日本語歴史コーパス（CHJ）の登録

• 申込用紙・契約書2枚
• 次回、押印して持ってきてください

---

「コーパス」について†

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。

• BCCWJ / 太陽コーパス / 明六雑誌コーパス / 日本語歴史コーパス

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）

紙の資料からコーパスまで

1. (紙の)本文テキスト
2. (紙の)総索引
3. 電子テキスト
4. 構造化テキスト
5. 形態論情報付きコーパス

総索引から電子化テキストへ（国語史資料の電子化の歴史）

• 戦後、総索引が整備されはじめる
  • 1929～31『万葉集総索引』
  • 1952『源氏物語用語索引』
  • 1955『徒然草総索引』
• 1980年代から徐々に日本語史資料へのコンピュータ応用が始まる
  • 金水（1984）,豊島（1983,1987），西端（1983,1989），岡島，近藤…
  • 総索引作成のための電子化テキスト利用など
• 1990年代、電子化テキストの利用が広がる
  • 『源氏物語』テキストデータベース（長瀬1990）
  • 国語学会（現日本語学会）1992年度春季大会テーマ「国語研究資料の「電子化」とその利用」
    • 日本文学等テキストファイル（岡島）http://www.let.osaka-u.ac.jp/~okajima/bungaku.htm
    • J-TEXT日本文学電子図書館（菊池・深沢）http://www.j-texts.com/
  • 青空文庫 1997～　http://www.aozora.gr.jp/
  • この頃、CD-ROM索引も『新大系 八代集』『新編国歌大観』『角川古語大観　源氏物語』「国文学研究資料館データベース　古典コレクション」『国定読本用語総覧』

テキストファイル

• テキストデータとはどんなものか
  • 授業資料/テキストデータとは
  • 授業資料/テキストデータ紹介（広義のコーパス）
• テキストエディタ
  • 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:sakura2.zip
    • (参考) サクラエディタホームページ：http://sourceforge.net/projects/sakura-editor/

• zipファイルの展開（解凍）
  • 解凍しないままでも開けるが必ず解凍すること

• 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

プレーンテキストからタグ付きテキストへ

• 2000年代（タグ付きテキスト「コーパス」へ）
  • 狭義の「コーパス」登場
    • 『太陽コーパス』2005

2015/10/02

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 http://www.ninjal.ac.jp/
• コーパスとは
  • 国立国語研究所コーパス開発センター

デモ

• テキストエディタ

• ひまわり
  • Excelによる集計（ピボットテーブル）

• 「日本語歴史コーパス（CHJ）」
  • CHJ中納言

• 形態素解析：茶まめ／MeCab+UniDic
  • 形態素解析辞書UniDic
  • http://www2.ninjal.ac.jp/lrc/index.php?UniDic

授業で利用する主なソフトウェア†

シラバス確認

• シラバス
  • この授業の目的
  • 授業の進め方
  • 評価方法