成蹊2025/応用日本語講座

成蹊2025

応用日本語講座†

• 2025年度前期・金曜2限：10:40～12:20
• 教室:7号館303
• Mail: ogiso@ogiso.net

• シラバス
• CoursePower授業ページ

05/23　さまざまな集計方法　／　コーパスの紹介†

複数の検索結果を結合する†

• 一度の検索では探せない語群の集計、または後から検索結果を追加する場合
  • 「幸せ」「倖せ」「仕合わせ」

一度にピボットテーブルで集計できるように検索結果1の表の下に検索結果2（列名なし）を貼り付けて一つの表にまとめる

• ※必ず表をくっつけること（空行を入れるとそこで表が切れていると認識される）

ショートカットキーを活用すると便利

• コピーした表を既存の表の下に貼り付け
  • Ctrl+↓（表の一番下の行に移動）, ↓（1行下へ）, Ctrl+V（貼り付け）

作品数の調査（用例数ではなく作品数で調査する）†

• たとえば人称代名詞のように、一つの作品に偏って大量に用例がある場合
  • sample

テキストエディタで「ひまわり」の検索結果を加工する†

• 例：正規表現をつかった置換で前後文脈を整える

「ひまわり」で利用可能なその他のデータについて†

• 『青空文庫』パッケージ（ 小説以外を含む15000作品以上を収録）
• 『国会会議録』パッケージ
• 『名大会話コーパス』パッケージ
• 近代語のコーパス

国語研のコーパスと「中納言」の紹介†

• コーパス検索アプリケーション「中納言」
• アカウントについて

国立国語研究所のコーパス†

• コーパス開発センター
  • 「現代日本語書き言葉均衡コーパス」
  • 「日本語歴史コーパス」
  • 「日本語日常会話コーパス」
  • 「昭和・平成書き言葉コーパス」

青空文庫の集計結果との比較例†

• 明治大正時代の変化はその後どうなったか：BCCWJとの比較
  • それぎり
  • 心持ち
• 近代の雑誌や教科書ではどうなっているか：CHJ（雑誌・教科書）との比較
• 明治大正より前（江戸時代以前）はどうなっているか：CHJ（江戸時代以前）との比較

05/16　検索結果のExcelによる集計†

(復習)Excelの基本操作†

• 並べ替え（ソート）
• フィルター（絞り込み）
  • テキストフィルター
  • 多重フィルター（複数の条件指定）
• ピボットテーブル【重要】
  • ピボットグラフ

(復習)ピボットテーブルの使い方・生年代による集計†

• ピボットテーブル
• ピボットグラフ

• 例：「気持ち」「心持ち」

分類用の列を作って集計する†

• 入力用の列を作り手作業で意味分類する
  • 例：「新聞紙」の意味・用法の変化

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

05/09　「ひまわり」の利用と検索結果のExcelでの集計／正規表現小テスト†

「ひまわり」とその使い方（復習）†

• ひまわりの動作確認
• 検索方法の説明
• ひまわりの正規表現について（授業資料/Himawariの正規表現）
• ふりがな（ルビ）の検索

ひまわり検索結果をExcelで扱う†

• 例：「それきり」「それぎり」
  • （作家／作品別の比較）

Excelの基本操作†

• 並べ替え（ソート）
• フィルター（絞り込み）
  • テキストフィルター
  • 多重フィルター（複数の条件指定）
• ピボットテーブル【重要】
  • ピボットグラフ

生年代による集計（通時的変化）†

• 文字列処理関数の利用
  • 例： =LEFT(<文字列>,<文字数>)*1
    • 生年代： =LEFT(<生年月日が入っているセル>,3)*10

• 生年月日データの書式について
  • 下記の手順で「青空文庫」の生年月日が書式の自動変換でおかしくなるのを防ぐ必要がある
    • Excelでは1900年以前の年月日は文字列、それ以降は日付として認識されるため

1. Himawariで「すべて選択」後、「すべて選択」「コピー（列名含む）」をする
2. Excelで生年月日の列が貼り付けられることになる列（NとO）を丸ごと選択し、書式を「文字列」とする
3. Excelに貼り付ける

正規表現小テスト†

05/02　高度な正規表現／全文検索システム「ひまわり」†

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（$2，$3…）を使う
• 授業資料/タグつき正規表現

最長一致の原則（greedy matching）†

• 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

• （参考）タグ付き正規表現の応用：grepと置換でKWICを作る

検索文字列の中での後方参照†

• 検索語の中で\1*3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
  • (..)\1\1
  • (...)\1

正規表現に関する参考資料†

• 正規表現に関する本　amazonで検索

補足：Wordのワイルドカードと正規表現†

• https://note.com/jinbunxshakai/n/n8070db080041

「ひまわり」の準備†

• 全文検索システム「ひまわり」

「ひまわり」のインストール†

1. ひまわり のダウンロードページからプログラム本体（zipファイル）をダウンロード
2. zipファイルを右クリックしてプロパティを見る→「セキュリティ」の右の「許可する」をチェックして「OK」
3. ダブルクリックして開き、中のフォルダをまるごと（USBメモリに）コピー
4. フォルダ内のhimawari.exeをダブルクリックで起動（MacはHimawari.jar、または最初からMac版をインストール）

「青空文庫パッケージ」のインストール†

1. 青空文庫パッケージのダウンロード
   1. ひまわり用「青空文庫」パッケージのダウンロードページから「日本文学／小説(ndc913) 」をUSBメモリに直接ダウンロードして保存（サイズが大きいので大学のPCではダウンロードできない）
2. himawari.exeを起動
   1. Himawari画面のファイル→インストールをえらび、青空文庫パッケージのzipファイルを指定
   2. しばらく待つと完了（場合によっては数分から10分程度はかかる）
3. 要らなくなったUSBメモリ上の青空文庫パッケージzipファイルは不要なので削除する

全文検索システム「ひまわり」†

• 全文検索システム「ひまわり」
  • ただのテキストファイル（プレーンテキスト）ではなく、XML形式にして、インデックスを付けた専用のデータを利用
  • 自分で専用のデータを作ることもできるが、できあがって公開されているパッケージを利用するのが普通

「ひまわり」とその使い方†

• ひまわりの動作確認
• 検索方法の説明
• ひまわりの正規表現について（授業資料/Himawariの正規表現）
• ふりがなの検索

04/25　テキストエディタと正規表現†

grepと置換でKWIC(CSVファイル)を作る（簡易版）†

• 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
• KWIC：KeyWord In Context

正規表現とは†

• 正規表現　＞用語
  • 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
  • テキストエディタでは置換・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）
  • 特殊な文字（メタ文字）はすべて半角

正規表現のいろいろ†

• 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†

• 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）

04/18　テキストデータと文字コード†

文字コード†

• 授業資料/文字コード関連リンク

テキストデータ†

• すべての基本となる文字が並ぶだけのデータ
• 授業資料/テキストデータとは
  • バイナリデータとテキストデータ
  • テキストデータとテキストファイル

• TXT,CSV,HTM…
  • ファイルの種類と拡張子 参考：拡張子辞典
  • 拡張子(wikipedia)

• 授業で使うテキストデータ
  • 授業資料/テキストデータ紹介

テキストエディタ†

• テキストエディタとはどんなものか
  • 授業資料/テキストエディタ

テキストエディタのダウンロードとインストール†

• フリーソフトウェア（無償）のMicrosoft　Visual Studio Code（VSCode）を使います。

インストールと最初の設定†

• VS Codeのインストール
  1. WindowsのスタートメニューからMicrosoft Storeを起動
  2. VSCodeを検索
  3. インストール をクリック
• または
  1. ブラウザでhttps://code.visualstudio.com/ へ
  2. Download for Windowsをクリック
  3. ～.exeをダブルクリックして指示に従う

• 最初の設定

1. 拡張機能 Japanese Language Packの追加
   • 参考：https://zenn.dev/ayatokura/articles/vscode-article-2
2. ファイルオープン時にエンコーディングを自動判別するよう設定
   • 参考：https://www.javadrive.jp/vscode/setting/index3.html

テキストエディタを使ってみる†

• テキストエディタの設定
  • 行の折り返し Alt+Z
  • 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 こころ.txt）
  • sample.zip

• 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

ショートカットキー†

• Windowsの主なショートカットキー授業資料/覚えておきたいショートカットキー
  • Macのショートカットキー https://support.apple.com/ja-jp/HT201236

テキストデータ（青空文庫の夏目漱石作品）の配布†

• ★soseki2.zip （今日の授業で使います）

正規表現を使ってみる†

• 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

参考†

• 授業資料/テキストエディタと正規表現

USBメモリの準備について†

04/11 イントロダクション†

• 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 https://www.ninjal.ac.jp/
    • 言語資源開発センター

• シラバス確認
  • この授業のシラバス
  • この授業の目的
  • 授業の進め方
  • 評価方法

授業で利用する主なソフトウェア†

授業で利用する主なデータ†

• 青空文庫の近代の小説
• 国立国語研究所のコーパス
  • 「現代日本語書き言葉均衡コーパス」
  • 「日本語日常会話」
  • 「昭和・平成書き言葉コーパス」
  • 「日本語歴史コーパス」

デモ†

• テキストエディタとgrep, 正規表現
• 全文検索システムひまわり
• Excel（ピボットテーブル）
• 形態素解析：Web茶まめ

• 現代語コーパス
  • 少納言

最新の10件