成蹊2022
日本語学講義D コーパス日本語学入門†
9/30 第2回 日本語コーパスの紹介(1)『現代日本語書き言葉均衡コーパス』†
「中納言」授業アカウント配布†
- 授業で使うコーパスが授業期間の半年間のみ使えるアカウントを配布します
- 個人アカウントを持っている人はそれを使ってください
コーパスを使ってみる†
- 細かい話は抜きで「中納言」でコーパスを使ってみよう
- 『現代日本語書き言葉均衡コーパス』(BCCWJ)コアのみ
- 文字列検索
- 短単位検索
コーパスとは†
(以下スライド参照)
- 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)」「日本語日常会話コーパス(CEJC)」と「日本語歴史コーパス(CHJ)」
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†
- 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)
09/23 第1回 イントロダクション†
授業内容等の確認†
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
「中納言」アカウントについて†
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)†