2019清泉女子大学 集中講義†
9月2日(月)†
第1回 イントロダクション†
授業内容の紹介†
授業で利用する主なソフトウェア・Webアプリケーション†
- テキストエディタとgrep
- 全文検索システムひまわり
シラバス確認†
受講者アンケート†
国語研のコーパス利用申し込み(「中納言」)†
第2回 電子化テキストとテキストエディタ†
テキストデータとは†
- すべての基本、文字が並ぶだけのデータ
- TXT,CSV,HTM・・・
テキストエディタ†
- 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)
テキストエディタの基本†
- 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†
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
第3回 テキストエディタと正規表現 †
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
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
- 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 $
「ひまわり」データを持ち帰りたい人(特に近代文学に関心のある人)は明日、USBメモリ(空き2GB)を持ってきてください。
9月3日(火)†
「中納言」申し込み状況の確認†
前回補足†
正規表現の応用†
- カタカナ語
- 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
青空文庫のテキストデータ(全)†
第4回 タグ付き正規表現†
タグ付き正規表現とは†
- 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†
- 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)†
- 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†
#amazon(4873114500)
#amazon(4873113598)
第5回 全文検索ソフト「ひまわり」†
全文検索システム「ひまわり」について†
「ひまわり」と「青空文庫パッケージ」のインストール†
- ひまわり本体のダウンロード
- ひまわり のダウンロードページからプログラム本体をダウンロード
- ダウンロードしたファイルのセキュリティブロックを解除
- 解凍後、フォルダごとUSBメモリにコピー
- 青空文庫パッケージのダウンロード
- 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「青空文庫パッケージ」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PCにダウンロードできない)
- USBメモリにコピーしたフォルダ内のhimawari.exeを起動
- メニューのファイル>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
- しばらく待つと完了(数分から10分程度はかかる)
- 要らなくなったファイルの削除
- PC上の「ひまわり」フォルダやzipファイル、USB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
「ひまわり」の使い方†
第6回 Excelによる検索結果の集計(ピボットテーブル)†
ひまわりの検索結果をExcelに†
- 検索結果のコピー
- すべて選択>コピー(列名を含む)
- Excelを起動して貼り付け
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★
ひまわり検索結果をExcelで扱う†
- ピボットテーブルとピボットグラフ
- 例:「気持ち」「心持ち」
- 例:「それきり」「それぎり」
- 例:「~的な」「~的の」
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>)
- 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
- 「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
- 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
- Himawariで「すべて選択」後、「すべて選択」「コピー(列名含む)」をする
- 新しいExcelのシート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
- Excelに貼り付ける
分類用の列を作って集計する†
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
ひまわりで利用可能なデータについて†
- 現代語のデータ
- 近代語のデータ
- 太陽コーパス
- 近代女性雑誌コーパス
- 明六雑誌コーパス
- 国定高等小学読本
- 古典文学作品のデータ
9月9日(月)†
第7回 日本語コーパスの紹介†
資料配布(「中納言」の使い方,「中納言」による検索):明日以降も必ず持ってきてください。
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。
- 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)」
「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†
- (スライド参照) コーパスの設計とサンプリング
- 均衡コーパス(Balanced corpus)
- 「バランスがとれている」「代表性」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
「日本語歴史コーパス」(CHJ)の構成†
第8回 Web版コーパス検索ツールの利用(1)†
BCCWJ, CHJの検索ツール†
- BCCWJ少納言
- 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
コーパスの形態論情報:短単位と長単位†
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
第9回 Web版コーパス検索ツールの利用(2)†
「中納言」の利用†
形態論情報を使った検索のまえに†
レポートテーマについて†
9月10日(火)†
第10回 Web版コーパス検索ツールの利用(3)†
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"
第11回 検索結果の集計と分析†
「中納言」検索結果のダウンロードとExcelでの利用†
Excelの基礎ふたたび(略)†
- 並べ替え
- フィルタ
- 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†
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+↓, ↓, 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
「検索課題」†
第12回 レポートテーマ探索と調査†
- 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
(現代語の場合)
- 「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”
検索の例†
明日までにレポートテーマを考えてくること。
9月11日(水)†
第13回 データの加工と集計 (Excel)†
出現サンプル数の調査(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(作品)の数を調べたい場合
- たとえば一人称代名詞など、サンプル毎に偏って多数現れる語の調査
「データ」→「重複の削除」
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))
- 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
- 応用例:品詞の大分類を使う
- =IFERROR(LEFT(品詞,SEARCH("-",品詞)-1),品詞)
ランダムサンプリング調査(Excelでの集計)ふたたび†
- 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
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
- 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†
- 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
- 調整頻度には100万語あたりの頻度(pmw)が比較的よく使われる
- ※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。
発展(Excelの活用)†
第14回 レポートテーマの確認と調査†
レポートテーマに関する調査と質問対応†
- 考えてきたテーマについて、実際に用例を検索してレポート作成を進めます。
- 積極的に質問して下さい。
第15回 Wordでレポートを書く(文書の構造化)†
Wordを使ってレポートを書く†
- 図表の取り扱い
- 「形式を選択して貼り付け」
- 図表番号、キャプション
- 文書の構造化
- 章・節番号
- 「スタイル」「ナビゲーション ウィンドウ」(見出しマップ)の活用
- 図表番号と相互参照
レポートテーマに関する調査と質問対応†
- 考えてきたテーマについて、実際に用例を検索してレポート作成を進めます。
- 積極的に質問して下さい。
レポート提出について†
授業で紹介したコーパス・データとコンピュータの技術を用いて、言葉の用例に基づく(実証的な)調査結果と考察をまとめなさい。時代・分野は問いません。
- 「学びの泉」で期限までに提出してください。
- 分量:A4用紙で3~10枚(4枚以上を推奨)
- ファイルに氏名・学籍番号を明記すること。
- Wordファイルのサイズが大きくなりすぎる場合には、PDFファイルとして保存して送ってください。
10月31日 締め切り