成蹊2012/日本語日本文学のためのコンピュータ

成蹊2012

• 日本語・日本文学を学んでいくうえでぜひ身につけておきたいコンピュータに関する知識・技術を学びます。
• 後期・金曜4限
• ogiso＠ogiso.net

---

2013/1/18　レポート作成と質問（最終回）

• レポート完成に向けて作業を進めてください。
• 積極的に質問してください。

レポートの提出方法について

Wordファイルをメールに添付して送ること。メール・Wordファイルの両方に氏名・学籍番号を明記すること

• 〆切：1/31(木)
• 分量：A4用紙3枚以上

2013/1/11　レポートの準備

• 授業評価アンケート

レポート準備と質問

• 前回まわれなかった人を中心に見て回ります。

Wordでレポートを書く

• 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

2012/12/21　レポートテーマに関する調査

• 各自のレポートテーマ（先週のものから変えても可）について調査してください。
• 個別に見て回ります。積極的に質問してください。

• 注意
  • パソコン・ネットだけでは十分な調査はできません。図書館を利用してください。（参考文献は明記すること）
  • 最低限『日本国語大辞典』等のしっかりした辞典にあたっておくこと。

2012/12/14　レポートテーマの検討

• 各自のレポートテーマを確認します。
• 各自のレポートテーマについて調査してください。
• 2年生を中心に見て回ります。

現代語コーパスとの比較

• 「現代日本語書き言葉均衡コーパス（BCCWJ）」『少納言』
  • http://shonagon.ninjal.ac.jp

調整頻度の計算

• 作家ごと、年ごとに文章量が大きく違うので、調整頻度に直して比較する
  • 語数はわからないので文字数を使う（たとえば10000文字当たり何回出現するか）
  • Himawari青空文庫・文字数データ ダウンロード
    Aozora2009GWchars.xls
• 割合を比較するならよいが、頻度で比較するときには粗頻度は使えない

調査の参考例

• 「障碍」「障害」 ケーススタディ/障がい
• 「それぎり」と「それきり」
• 「～的の」「～的な」
• 「気持ち」「心持ち」

2012/12/7　ひまわりとExcel(2)

ひまわりの検索結果をピボットテーブルで集計(2)

• 分類用のフィールドを作って集計する
  • 例：「新聞紙」の意味・用法の変化

• 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

ひまわりの使い方補足

• ひまわりの検索結果をエディタ（正規表現を使った置換）で加工する
• ひまわりの正規表現について（授業資料/Himawariの正規表現）
• ひまわりのキー範囲

ひまわりで利用可能なデータについて†

• 国会会議録データ
  • Web Collaboration : /temporary/ogiso/Himawari_kokkai.zip
• 青空文庫・国会会議録以外のデータ紹介
• 現代語のデータ
  • 法令データベース
  • 口コミサイト
• 古典文学作品のデータ
• 近代語のデータ
  • 太陽コーパス
  • 近代情勢雑誌コーパス
  • 明六雑誌コーパス
  • 国定高等小学読本

レポートについて

• レポートテーマ確認（第１回）来週

2012/11/30　ひまわりとExcel

検索結果をExcelで使う†

• 列名

  前文脈

  キー

  後文脈

  著者

  タイトル

  著者ID

  生年

  没年

  原著者

  原著者ID

  仮名遣い

  コーパス名

• 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
  • 複数の条件指定
• ピボットテーブル
  • ピボットグラフ

• 文字列処理関数
  • 例： =left(<文字列>,<文字数>)
    • 生年代： =left(<生年が入っているセル>,3)*10

レポートテーマについて(予告)†

• 授業で紹介したエディタや表計算ソフトの使い方を活かして、用例を元にしてたとえば次のようなテーマでレポートをまとめてもらいます。データは授業で配布したものを自由に利用してください。
  • 例：作家ごとの言葉の使い方の違い
  • 例：類義語の意味の違い
  • 例：語の用法の変化
  • 例：語形・（表記）のゆれ
  • などなど

2012/11/16　（休講）

• 学会出張のため休講です。

2012/11/09　全文検索システム「ひまわり」

「ひまわり」とは†

• 「ひまわり」　国立国語研究所/言語データベースとソフトウェア/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

データの準備

• 青空文庫（XHTML）データ
• WebCollaborationからUSBメモリにダウンロード

ひまわりと正規表現†

• 「ひまわり」で使用できる正規表現

2012/11/02　タグ付き正規表現

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

タグ付き正規表現の応用

• （参考）タグ付き正規表現の応用：grepと置換でKWICを作る

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：「(.+)」 → 【\1】
    • 「こんにちは」「さようなら」 →　【こんにちは」「さようなら】
  • 「([^」]+)」 → 【\1】　のように書けばよい
    • 「こんにちは」「さようなら」 →　【こんにちは】【さようなら】
• 最短一致を指定するには（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†

• 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

#amazon(4873114500) #amazon(4873113598)

2012/10/19　正規表現の応用

• 新しいテキストデータ（青空文庫）の配布
  • 「。」で改行し、ルビや中を取り去ったテキスト
  • Web Collaboration : /temporary/ogiso/aozoradoc2.zip
  • Web Collaboration : /temporary/ogiso/aozoradoc2_soseki.zip (漱石のみ抜きだした練習用)

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

---

正規表現のいろいろ （前回のつづき）

• 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
• 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。

2012/10/12　正規表現

テキストエディタの復習

• 置換で用例数を数える
• grepとタグジャンプ

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）
  • 記号はすべて半角
  • 特殊文字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

• 文字クラス [ ]
  • 文字クラスの補集合（それ以外の文字）[^ ]

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 $

2012/10/05　　テキストエディタの利用

• テキストデータ（青空文庫）の配布
  • Web Collaboration : /temporary/ogiso/aozoradoc.zip
    • ダウンロードしてUSBメモリに展開（解凍）します

• 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†

• 授業資料/覚えておきたい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

正規表現を使ってみる†

• キャラクタクラス
  • 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

2012/09/28　テキストデータとテキストエディタ

• USBメモリの準備
  • 次回の授業からUSBメモリを使います。2G（なるべく4G）以上の空きのあるUSBメモリを用意してください。

テキストデータ

• すべての基本、文字が並ぶだけのデータ
  • 授業資料/テキストデータとは
  • バイナリファイル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

• 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:sakura.zip
    • (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
  • soseki.zip

2012/09/21

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 http://www.ninjal.ac.jp/
    • 日本語コーパスKOTONOHA
    • BCCWJ少納言
    • 形態素解析辞書UniDic

• デモ
  • テキストエディタ grep
  • 全文検索システムひまわり

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

• 前期の日本語学講義Eとの違い
  • できあがったコーパスを利用する（前期） vs. できるだけ自分で何とかする（後期）

授業で利用する主なソフトウェア†

最新の10件