総研大2025/言語資源学演習1 の履歴(No.6)

• 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/言語資源学演習1 へ行く。
  • 1 (2025-10-01 (水) 13:59:47)
  • 2 (2025-10-01 (水) 14:07:53)
  • 3 (2025-10-20 (月) 13:35:54)
  • 4 (2025-10-27 (月) 15:49:13)
  • 5 (2025-11-10 (月) 16:57:07)
  • 6 (2025-11-17 (月) 15:14:45)

---

総研大2025

言語資源学演習1†

• 月曜4限
• 10月27日からはオンライン（Zoom）で実施

11月17日　XMLファイルの整備†

• 総研大2025/言語資源学 参照

• XMLとは
• 正規表現の利用

• 授業資料/コマンドラインの基礎つづき
  • テキストファイルの置換（sed）
  • バッチファイル

• OCR結果の修正

言語処理100本ノック 2025†

• https://nlp100.github.io/2025/ja/index.html

11月10日　OCR済みテキストの処理（コマンドラインの基礎）†

データ処理環境の確認†

• VisualStudio Code
  • 授業資料/テキストエディタと正規表現
• WSL (Ubuntu)
  • 授業資料/コマンドラインの基礎

OCR済みテキストの整備†

• コマンドラインに慣れる

• ファイルの取り扱い
• プレーンテキストからXMLへ

10月27日　資料選定とOCR†

資料選定†

• 近代・国定教科書の理科

• 国立教育政策研究所 国定教科書
• 広島大学図書館所蔵「教科書コレクション」画像データベース

• 尋常小学理科書 第六学年 児童用
  • 著者 : 文部省[編](モンブショウ)
  • 出版年 : 1911, 明治44
  • https://dc.lib.hiroshima-u.ac.jp/da/ja/3549

• 尋常小学理科書 第五学年 児童用
  • 著者 : 文部省[編](モンブショウ)
  • 出版年 : 1911, 明治44
  • https://dc.lib.hiroshima-u.ac.jp/da/ja/3550
  • https://nieropac.nier.go.jp/lib/database/KINDAI/EG00016652/900089986.pdf#page=33.00 (明治43)
  • 参考 教師用（NDL） https://lab.ndl.go.jp/dl/book/918076

OCR†

• お手軽
  • AdobeAcrobat のOCR機能
  • Google Drive のOCR機能
• 市販OCRソフト
  • 完全読取
  • WinReader PRO
• 国立国会図書館 NDLOCR
  • (cli) https://github.com/ndl-lab/ndlocr_cli
  • NDL古典籍OCR Lite (Web版:https://ndlkotenocr-lite-web.netlify.app/ )
• 最近話題のLLM系
  • DeepSeek-OCR

10月20日　ガイダンス†

• シラバス

• 対象資料の選定
  • 自分の研究で使いたい資料
  • オープンデータ

• 整備した資料をOpenCHJの一部として公開することを検討

データ処理環境の整備†

• VisualStudio Code
  • 授業資料/テキストエディタと正規表現
• WSL (Ubuntu)
  • 授業資料/コマンドラインの基礎