FrontPage
九州大学：国語学講義 III / 日本語学方法論特論 III†
コーパス日本語学†
- 2021年4月15日以降の授業はTeamsミーティングで行います。毎回同じアドレスです。
4月22日（第3回） コーパスの設計2†
（Moodleに置いたスライド参照）
「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 （つづき）†
- 均衡コーパス（Balanced corpus）
- 「バランスがとれている」「代表性がある（representative）」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★ここから↓（スライド41ページ）
- 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†
- 近世より前
- 残されている資料が少なく、できるだけ（全部）コーパスに入れたい
- 近世以降の資料
- 選ぶことができるだけの資料がある、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）
紙の資料からコーパスまで ～電子化とアノテーションの高度化†
- (紙の)本文
- (紙の)総索引（コンコーダンス）
- 各種の電子テキスト
- 構造化テキスト
- 形態論情報付きコーパス
参考リンク（再掲）†
- 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）
4月15日（第2回） コーパスの設計†
「中納言」のアカウントについて†
（以下、Moodleに置いたスライドも参照）
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）
- 言語学分野では前者、自然言語処理分野などでは後者の意味で使いがち。
- 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）」と「日本語歴史コーパス（CHJ）」
コーパスに求められるもの†
- コーパス以前の電子化日本語資料（とその限界）
- 個人研究者による電子化テキスト
- 出版社による電子出版物（CD-ROM）
- 新聞のデータベース（CD-ROM）
- Web上のテキストアーカイブ
- Webそのもの
- （現代語）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」「代表性がある（representative）」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
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）
4月8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grep
- 全文検索システムひまわり
- R
![[PukiWiki]](image/pukiwiki.png "[PukiWiki]")
