[[東京外大2016]]
*Japan Studies 1：コーパス日本語学入門
-春学期・木曜4限
-ogiso＠ogiso.net ←＠を@に直してください
----
-[[コーパス検索アプリケーション「中納言」 https://chunagon.ninjal.ac.jp/>https://chunagon.ninjal.ac.jp/]]
//
//ひまわり はとばす
//
***レポートについて
-〆切：7月21日(木)
-枚数：A4用紙で4枚以上～20枚以下
-メールで提出
**アクティブラーニング（第2回）
-国語研究所コーパス開発センター見学
-2016/7/14 13:30 一階ロビー集合
**2016/07/07 (最終回)
***レポートに向けた研究課題の検討・調査(2)
***質問対応
***UniDicと形態素解析
--[[Web茶まめ>http://chamame.ninjal.ac.jp]]
**2016/06/30
***アクティブラーニング課題に関するコメント
***Wordでレポートを書く
文書の構造化とWordの使い方（レポートの書き方）
-文書の構造化*
--スタイルと見出し
--ナビゲーション ウィンドウ（見出しマップ）の使い方
--章・節番号
-図表の貼り込み*
--「形式を選択して貼り付け」
--図表番号とキャプション
-脚注
--脚注と文末脚注
-相互参照
--節番号、図表番号と相互参照
--目次、図表目次
***レポートに向けた研究課題の検討・調査
**アクティブラーニング（第1回）
-「中納言」によるレポートテーマに関する語の検索、データ集計（来週までにデータ作成、メール）
**2016/06/23
***レポートテーマについて
-研究課題の発表
***コロケーション強度の話
-共起する語(AとB)を評価するとき、単純な用例数だけでは危険
--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だから
コロケーション強度をはかるスコアには様々なものがあり、それぞれに特徴がある
-ダイス係数
--＝2×（ABの用例数／（Aの用例数＋Bの用例数））
---=2*B5/(C$2+C5)
-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
---=B5-(C$2*C5/C$1)/SQRT(B5)
-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)
---=LOG((B5*C$1)/(C$2*C5),2)
（例）
-例：「玉葱」と共起する（3語以内）動詞の場合
--AB＝ 「玉葱」～「炒める」の用例数：46
--A＝「炒める」の用例数：2069
--B＝「玉葱」の用例数：2087
--ダイス係数=2*(46/(2069+2087))=0.0221
-[[サンプルデータ collocation.xlsx>http://www.ogiso.net/wiki/index.php?plugin=attach&pcmd=open&file=collocation.xlsx&refer=%C5%EC%B5%FE%B3%B0%C2%E72016%2F%C1%B0%B4%FC]]
それぞれの数値の調べ方
-※用例数を求めるだけでいいが、「中納言」は用例を取得するためのツールであるため、複数の語の用例数を求めるのに手間がかかる
--BCCWJの語彙表を使えば個々の語の検索は不要 http://pj.ninjal.ac.jp/corpus_center/bccwj/freq-list.html
--検索する場合は、語彙リストをエディタで整形し、検索条件式で一括検索する方法もある
-「コーパスの総語数」は「語数について」のページを参照
-【参考資料】[[助動詞と上接動詞のコロケーション>https://dl.dropboxusercontent.com/u/134600/20140922_collocation_CHJ.pdf]]
**2016/06/16
***調整頻度の計算
-粗頻度を総語数で割る
--レジスターごとの語数データ：中納言ページの「語数について」からExcelでダウンロードできる
---語数ファイルをピボットテーブルで集計して分母に
-調整頻度には100万語あたりの頻度が比較的よく使われる
--粗頻度/総語数*1000000
---数字が小さくなりすぎないようにするため
-※割合の違いを比較するだけなら調整頻度を出す必要はない。
***ランダムサンプリング調査
--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
***重複の削除
用例数ではなく、用例が一つでも出現したサンプルの数を調べたい場合
-「データ」→「重複の削除」
***vlookupの使い方
-[[vlookup関数>授業資料/vlookup関数]]
***レポートテーマについて
-来週、レポートテーマについて全員に聞き、コメントします。テーマを考えておいてください。
**2016/06/09
-（配布資料）「中納言」検索課題
***テキストエディタと正規表現の応用
-前後文脈を整える
-インラインタグを活用する
***Excelの文字列関数とIF関数
-例：ジャンル（NDC）の整理
--先頭の文字を取り出す（NDCの一次区分（＝類））
---=LEFT(<ジャンルのセル>,1)
--スラッシュで区切られた最初の部分（ジャンルの大分類）
---=LEFT(<ジャンルのセル>,SEARCH("/",<ジャンルのセル>)-1)
-集計用に用意した列で文字列処理関数を利用する
--LEFT
--RIGHT
--MID
--LEN
--SEARCH
--SUBSTITUTE
-条件わけ：IF
-エラー対応：IFERROR
-応用例：品詞の大分類を使う
--=IFERROR(LEFT(<品詞>,SEARCH("-",<品詞>)-1),<品詞>)
***BCCWJ利用の落とし穴
-BCCWJはあくまでも「現代語」のためのコーパスなので通時的な調査には向かない
--レジスターによって母集団の年が違っている
---レジスターの偏りを年代の偏りと勘違いしないこと
--30年あるのは白書・ベストセラー・国会会議録など一部のものだけ
-もともとテキスト量の多いレジスターにたくさん用例があるからといって「そのレジスターでよく使われる」とはいえない→調整頻度の計算
--cf.人口あたりの事故件数，１平方キロあたりの…etc.
--データ：語彙素「矢張り」 [[kwic-yahari.zip>https://www.dropbox.com/s/33jkbf7k24hlwyw/kwic-yahari.zip]]
**2016/06/02
***「中納言」検索結果のダウンロードとExcelでの利用
+ダウンロード
+アーカイブの展開（解凍）
+Excelでインポート
***Excelの基礎
-並べ替え
--反転前文脈の使い方
-フィルタ
--テキストフィルタ
***【重要】ピボットテーブルの使い方
-ピボットテーブル
-ピボットグラフ
***複数の検索結果の結合
-例：蒲公英・向日葵・菫
ショートカットキーを活用すると便利
-Ctrl+End ファイルの末尾/表のいちばん右下に移動
-Shift+Ctrl+End 〃範囲を選択
+表をコピー
--Ctrl+Home, ↓（列名はコピーしないようにする）,Shift+Ctrl+End, Ctrl+C
+コピーした表を既存の表の下に貼り付け
--Ctrl+End, Home, ↓, Ctrl+V, Ctrl+Home
***集計用の列を自分で用意する
-例：表記（ひらがな・かたかな・漢字）別集計
-例：用法分類
***質問対応
-自分の研究テーマのための検索方法の相談
**2016/05/26
-資料「[[中納言の使い方>http://www.ogiso.net/wiki/index.php?plugin=attach&pcmd=open&file=20160519%C3%E6%C7%BC%B8%C0%A4%CE%BB%C8%A4%A4%CA%FD.pdf&refer=%C5%EC%B5%FE%B3%B0%C2%E72016%2F%C1%B0%B4%FC]]」参照
//-資料「[[中納言の使い方>http://www.ogiso.net/wiki/index.php?plugin=attach&pcmd=open&file=20160519%C3%E6%C7%BC%B8%C0%A4%CE%BB%C8%A4%A4%CA%FD.pdf&refer=%C5%EC%B5%FE%B3%B0%C2%E72016%2F%C1%B0%B4%FC]]」参照
-資料「中納言の使い方」参照
***(復習)形態論情報を使った検索
***検索条件式の利用
キー: (品詞 LIKE "形容詞%" AND 活用形 LIKE "連体形%")
AND 後方共起: 語彙素="言葉" ON 1 WORDS FROM キー
WITH OPTIONS tglKugiri="|" AND tglBunKugiri="#" AND limitToSelfSentence="1"
AND tglFixVariable="2" AND tglWords="20" AND unit="1" AND encoding="UTF-16LE" AND endOfLine="CRLF"
**2016/05/19
***短単位と長単位
-配布資料参照
***品詞体系と見出し語の階層
-BCCWJ,CHJは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]]
***形態論情報を使った検索
-資料「中納言の使い方」参照
-検索例
--「時の経つにつれて」
--名詞+の+動詞連体形+につれて
**2016/05/12
***コーパスの段階
+電子テキスト：grep： 文字列（正規表現）検索
+構造化テキスト：[[ひまわり>http://www2.ninjal.ac.jp/lrc/index.php?%C1%B4%CA%B8%B8%A1%BA%F7%A5%B7%A5%B9%A5%C6%A5%E0%A1%D8%A4%D2%A4%DE%A4%EF%A4%EA%A1%D9]]、[[少納言>http://shonagon.ninjal.ac.jp]] など： 文字列（正規表現）検索
+形態論情報付きコーパス：中納言、ChaKi など： 形態論情報による検索（タグ検索）
***コーパスの設計とサンプリング
-''（スライド参照）''
--[[コーパスの設計とサンプリング>https://dl.dropboxusercontent.com/u/134600/%E3%82%B9%E3%83%A9%E3%82%A4%E3%83%89/%E7%AC%AC3%E5%9B%9E%E3%82%B3%E3%83%BC%E3%83%91%E3%82%B9%E3%81%AE%E8%A8%AD%E8%A8%88%E3%81%A8%E3%82%B5%E3%83%B3%E3%83%97%E3%83%AA%E3%83%B3%E3%82%B0.pdf]]
-均衡コーパス（Balanced corpus）
--「バランスがとれている」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
***「少納言」で正規表現を使う
-「現代日本語書き言葉均衡コーパス（BCCWJ）」
--[[少納言>http://shonagon.ninjal.ac.jp]]
---[[前後文脈の指定について>http://www.kotonoha.gr.jp/shonagon/help/context.html]]
***BCCWJ「中納言」登録申請
-ユーザー登録の申請（new!） https://chunagon.ninjal.ac.jp/useraccount/register
**2016/04/28
-復習
--サンプルデータ[[soseki2.zip>https://dl.dropboxusercontent.com/u/134600/soseki2.zip]] （前回と同じ）
--文字クラス、grep
***正規表現のいろいろ [#q514651f]
-[[授業資料/正規表現]]
--文字クラス [ ]
--文字クラスの否定（補集合）[^ ]
--繰り返し ? + *
--グループ化 ()
--or（論理和） |
--文頭 ^、文末 $
***正規表現の応用 [#c7a3ea2d]
-カタカナ語
--カタカナ（外来語）の形容動詞語幹
-送りがなの揺れ（行う／行なう）
-会話文中（"「"で始まる文中）の用例を検索する
-同一文中での共起
--全然～ない。
--もし～なら（ば）
***grepと置換でKWIC(CSVファイル)を作る（簡易版） [#u3ab2d6f]
-CSVファイルとは：テキストファイルで表を表現する
[[用語：CSVファイル>http://e-words.jp/w/CSV.html]]
-KWIC：KeyWord In Context
***タグ付き正規表現
-走[らりるれろ] でgrepした結果を置換するにはどうしたらいいか
--次のように置換するととんでもないことに…
---検索文字列：走[らりるれろっ]
---置換文字列：★走[らりるれろっ]
-タグ付き正規表現・カッコ（半角丸カッコ）と\1（\2，\3…）を使う
-[[授業資料/タグつき正規表現]]
***検索文字列の中での後方参照 [#j9966c0d]
-検索語の中で\1を使う
--(..)\1 「ころころ」「毎日毎日」など二文字の繰り返しにマッチ
--(.ろ)\1 「ころころ」「どろどろ」「へろへろ」などにマッチ
***最長一致の原則（greedy matching） [#y047e9bd]
-正規表現は、パターンが一致する最も長い範囲にマッチする
--例：''あ+'' → ''【\1】''
---ああああああああ → 【ああああああああ】
そのせいで…
--例：''「(.+)」'' → ''【\1】''
---「こんにちは」「さようなら」 → 【こんにちは」「さようなら】
--括弧の組ごとに置換するためには''「([^」]+)」'' → ''【\1】'' のように書かなければならない
---「こんにちは」「さようなら」 → 【こんにちは】【さようなら】
-よりかんたんに指定するには（最短一致，ものぐさ指定）
--''「(.+?)」「(.*?)」''のように、繰り返し指定の+*の後に「?」をつける
***正規表現に関する参考資料 [#w86de08b]
-サクラエディタの正規表現：http://sakura-editor.sourceforge.net/htmlhelp/HLP000089.html
-正規表現に関する本 [[amazonで検索>http://www.amazon.co.jp/s/ref=nb_ss_gw?__mk_ja_JP=%83J%83%5E%83J%83i&url=search-alias%3Daps&field-keywords=%90%B3%8BK%95%5C%8C%BB&Go.x=0&Go.y=0&Go=Go]]
#amazon(4873114500)
#amazon(4873113598)
#clear
**2016/04/21
-今回からUSBメモリを使います。
***テキストエディタ
-テキストデータ（青空文庫）の配布
---[[soseki2.zip>https://dl.dropboxusercontent.com/u/134600/soseki2.zip]] （今日の授業で使います）
---[[aozoradoc2.zip>https://dl.dropboxusercontent.com/u/134600/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 [#da449f25]
-[[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 [#u471d57b]
-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 [#d216d4e0]
-''正規表現'' [[＞用語>http://e-words.jp/w/E6ADA3E8A68FE8A1A8E78FBE.html]]
--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
-[[授業資料/正規表現]]
--文字クラス [ ]
--文字クラスの補集合（それ以外の文字）[^ ]
**2016/04/14
-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。
***「コーパス」について [#k44345b6]
: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）
***紙の資料からコーパスまで
+(紙の)本文
+(紙の)総索引（コンコーダンス）
+電子テキスト
+構造化テキスト
+形態論情報付きコーパス
***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>http://www.ogiso.net/wiki/index.php?plugin=attach&pcmd=open&file=sakura2.zip&refer=%C5%EC%B5%FE%B3%B0%C2%E72016%2F%C1%B0%B4%FC]]
---(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>http://www.ogiso.net/wiki/index.php?plugin=attach&pcmd=open&file=sample.zip&refer=%C0%AE%EC%FE2013%2F%C6%FC%CB%DC%B8%EC%C6%FC%CB%DC%CA%B8%B3%D8%A4%CE%A4%BF%A4%E1%A4%CE%A5%B3%A5%F3%A5%D4%A5%E5%A1%BC%A5%BF]]
**2016/04/07
***イントロダクション/日本語コーパスの紹介
-[[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>http://pj.ninjal.ac.jp/corpus_center/]]
--[[形態素解析辞書UniDic>http://sourceforge.jp/projects/unidic/]]
-デモ
-「現代日本語書き言葉均衡コーパス（BCCWJ）」
--BCCWJ[[少納言>http://shonagon.ninjal.ac.jp]]
--BCCWJ[[中納言>http://chunagon.ninjal.ac.jp]]
--[[Web茶まめ>http://chamame.ninjal.ac.jp]]
-Excelによる集計（ピボットテーブル）
-シラバス確認
--この授業の目的
--授業の進め方
--評価方法
![[PukiWiki]](image/pukiwiki.png "[PukiWiki]")
