![[PukiWiki]](image/pukiwiki.png "[PukiWiki]")
#author("2023-04-23T07:10:14+00:00","default:ogiwiki","ogiwiki") #author("2023-04-25T04:27:49+00:00","default:ogiwiki","ogiwiki") [[総研大2023]] **2023/04/18 国語研の書き言葉コーパス [#he314895] 国語研の書き言葉コーパスについて最新の研究を含めて概説する。 -[[資料置き場>https://ninjal.sharepoint.com/sites/2023flrIIIA]] --スライド1～3参照 ***「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 [#s89fe505] -https://clrd.ninjal.ac.jp/bccwj/ -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 [#o1a9da5c] -英語のコーパス リファレンス --[[ブラウンコーパス マニュアル>http://khnt.aksis.uib.no/icame/manuals/brown/]] http://khnt.aksis.uib.no/icame/manuals/brown/ --[[BNCリファレンスガイド>http://www.natcorp.ox.ac.uk/docs/URG/]] http://www.natcorp.ox.ac.uk/docs/URG/ -現代日本語書き言葉均衡コーパス（BCCWJ） --[[現代日本語書き言葉均衡コーパス：概要>https://clrd.ninjal.ac.jp/bccwj/index.html]] --BCCWJの基本設計：https://clrd.ninjal.ac.jp/bccwj/basic-design.html --サンプリング：https://clrd.ninjal.ac.jp/bccwj/sampling.html --XMLによる電子化：https://clrd.ninjal.ac.jp/bccwj/XML.html ***「日本語歴史コーパス」（CHJ）の構成 [#x9f78d1c] -https://clrd.ninjal.ac.jp/chj/ -残された資料に限りがある（そもそも偏りがある）歴史的なコーパスの場合、現代語コーパス同様の「代表性」を求めることは困難 :近世以前|残されている資料が少なく、できるだけ（可能なら全部）コーパスに入れたい :近世（後期）以降|偏りはあるものの選べるだけの資料があるが、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） -[[『日本語歴史コーパス』>https://clrd.ninjal.ac.jp/chj/]]の中身 --中世以前は重要な資料をまるごと対象に --近世の洒落本・人情本：年代・著者（・地域）のバランスを取って作品単位でサンプリング ***近代語コーパスの場合 [#p0de8288] -[[近代雑誌コーパス>https://clrd.ninjal.ac.jp/cmj/]]（現在はCHJの一部） --多様な記事を含む「総合雑誌」を対象とすることでバランスを確保 --発行年での大まかなサンプリング ---[[「太陽コーパス」>https://clrd.ninjal.ac.jp/cmj/taiyou/index.html]]：8年おきに12冊ずつを対象 --その後の雑誌コーパスも8年おきに収録 ---明六雑誌・東洋学芸雑誌・国民之友・太陽（・中央公論・文藝春秋） -近代小説 --複数の有識者が日本語資料として選定・投票した結果（1980年代に作成した資料）をもとにサンプリング --https://www.jpling.gr.jp/taikai/happyo/yosi/2019/b/yosi_2019b_e3.pdf ***「昭和・平成書き言葉コーパス」（SHC）の構成 [#vfbcaa59] -https://clrd.ninjal.ac.jp/shc/ ※準備中 -CHJの後を受けて現代までを通時的に研究するためのコーパス。1933年以降、8年おき11か年分（1933・1941・1949・1957・1965・1973・1981・1989・1997・2005・2013）を収録。 :雑誌|1933～1957 年刊の『中央公論』と1965～2013 年刊の『文芸春秋』（8年おき11か年分） :ベストセラー書籍|1933年以降、8年おき11か年のベストセラー書籍 :新聞|1933年以降、8年おき11か年の『読売新聞』奇数月2日の朝刊1冊 ※参考：配布資料（「『昭和・平成書き言葉コーパス』の構築と公開」） ***コーパスと著作権 [#xa8ac945] -スライド参照 **2023/04/27 国語研のコーパスの形態論情報 [#rc41e4cc] **2023/04/27 国語研のコーパスの形態論情報 [#n89c5b2a] 国語研コーパスへの形態論情報の付与について最新の研究を含めて概説する。 -[[資料置き場>https://ninjal.sharepoint.com/sites/2023flrIIIA]] --スライド3～5参照 ***コーパスの形態論情報 [#w3c3c79b] --http://clrd.ninjal.ac.jp/bccwj/morphology.html -短単位と長単位 --[[（スライド）長単位と短単位>https://lms.seikei.ac.jp/lms/lginLgir/index?target=0APt-XEr]] 参照 --[[長単位と短単位・資料>https://lms.seikei.ac.jp/lms/lginLgir/index?target=gZObmws_]] 単位切りの例 --（参考）動画：コーパス検索システムの言語単位『短単位』 https://youtu.be/s5akpYOzNIU -コーパス検索アプリケーション「中納言」と短単位と長単位 --[[中納言の使い方>https://lms.seikei.ac.jp/lms/lginLgir/index?target=0WibhrTq]] ***品詞体系 [#d6776112] -BCCWJ・CHJは[[UniDic>https://clrd.ninjal.ac.jp/unidic/]]の品詞体系にもとづく（BCCWJのために開発されたのがUniDic） --[[授業資料/UniDicの品詞体系]] --[[授業資料/UniDicの見出し語階層]] ***コーパスへの形態論情報の付与 [#sfd1b3f3] -短単位：MeCabとUniDicを使った形態素解析で情報付与 -長単位：Comainu（など）で短単位を組み上げる ***形態素解析を試してみる [#gf5bf622] -[[Web茶まめ>https://chamame.ninjal.ac.jp/]]（MeCabとUniDicによる形態素解析をオンラインで行うツール） --https://chamame.ninjal.ac.jp/ ***形態素解析の仕組み [#e1069790] -[[授業資料/形態素解析]] ***参考資料 [#t1ff9987] -BCCWJ関連報告書 http://clrd.ninjal.ac.jp/bccwj/doc.html --形態論情報規程集(PDF) [[第4版 上>http://doi.org/10.15084/00002855]]・[[第4版 下>http://doi.org/10.15084/00002856]] ※冊子を配布します。
