上智2017

国語学演習a

2017/06/23

ランダムサンプリング調査(Excelでの集計・補足)

  • 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
  • ex.「全然」

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.

調整頻度の計算

  • 調整頻度には100万語あたりの頻度(pmw)がよく使われる
    • 粗頻度/コーパス総語数*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。

レポートテーマについて

  • 次回までにレポートテーマを考えてくること(全員に聞きます)
  • 普段から見聞きする言葉に気をつけるとともに、図書館も活用すること
  • ひとつの言葉から、同種の別の語や違う観点からの観察などへと膨らませていく

〈参考〉 国語に関する世論調査の結果について(文化庁)

表記

  • 「雀」「すずめ」「スズメ」動植物名の表記・・・レジスター別用例数、文体差
  • 「卵」「玉子」「たまご」「タマゴ」・・・意味の違い?文体差?
  • 「斡旋」「あっ旋」「あっせん」、「石鹸」「石けん」「せっけん」・・・常用漢字表外字を含む漢語の表記の揺れ

類義語・対義語

  • 「奇麗」と「美しい」・・・連体修飾する名詞の違い(→意味の違い)
  • 「うるさい」「やかましい」「さわがしい」「かしましい」「かまびすしい」類義語・・・共起語、文体差
  • 「男性」と「女性」(「男」と「女」)・・・語彙の非対称性、社会言語学的分析

語形、語法

  • 「好ましい」「好もしい」・・・語形の揺れと文体差
  • 「煙草を吸う」と「煙草をのむ」・・・用例数の割合、「煙草をのむ」の出現条件

新語・意味変化

  • 「断トツ」「定番」「夜ご飯」・・・新語の広がり
  • 「役不足」「確信犯」・・・”誤用”と”正用”

2017/06/16

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
  1. 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
  2. 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

CHJ明治・大正編

(配布資料)「中納言」検索課題

  • 定型表現の揺れ
  • 表記(交ぜ書き・拡張新字体・印刷標準字体)
  • 語彙(抽象概念の尺度となる形容詞)
  • 文法(格助詞の選択)

2017/06/09

「中納言」検索結果のダウンロードとExcelでの利用

  1. ダウンロード
  2. 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

2017/06/02

形態論情報を使った検索 つづき

  • 資料「中納言の使い方」参照

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"

2017/05/26

  • 短単位・長単位課題解答

「中納言」の利用:形態論情報を使った検索

  • 配布資料「『中納言』の使い方」
    • この資料は次回以降も使いますので必ず持ってきてください。

2017/5/19(休講)

  • 出張のため休講とします。

2017/05/12

日本語コーパスの形態論情報

  • 短単位と長単位(スライド・配付資料)

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

UniDicによる形態素解析

形態論情報を使った検索(詳しくは次回)

  • まずは文字列検索を行って形態論情報がどうなっているか確認する

2017/04/28

BCCWJの紹介 コーパスの設計とサンプリング

  • (スライド参照)
  • 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
  • 著作権をめぐる問題

参考リンク

2017/04/21

「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)」と

※当面、BCCWJを中心に解説し、その後CHJ明治大正編に

  • BCCWJとCHJ、これらを利用するインターフェイスについて、まず最小限のことを説明します。
  • 少納言 BCCWJ
    • 登録不要
    • 文字列検索のみ
    • 500例まで表示
  • 中納言 BCCWJ,CHJほか
    • 要登録
    • 形態論情報を使った検索
    • 全件(一度に最大10万例まで)ダウンロード可

「中納言」オンライン利用申込み

日本語コーパスの紹介(1)コーパスとはどんなものか

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。
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、言語研究にも利用可能。
  • この授業で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」以前の日本語研究用データとの違いは
  • (スライド参照)
    • 第2回コーパスとは

2017/04/14

イントロダクション


トップ   編集 差分 バックアップ 添付 複製 名前変更 リロード   新規 一覧 単語検索 最終更新   ヘルプ   最終更新のRSS