学習院2022

FrontPage

日本語学講義Ⅱ（コーパス日本語学入門）†

• 前期金曜4限：14:40-16:10
• Mail: ogiso@ogiso.net

• Zoomによるリアルタイムのオンライン授業形式で行います。ZoomのURLはLMS（WebClass）の授業ページで確認してください。
  • WebClassの授業ページ
• 中納言

レポート提出について†

• 締切：7月29日（金）※事情があって延長したい場合には連絡すること
• 分量目安：A4用紙で3～10枚
• 提出先：下記リンク（WebClass）から提出
  • https://webclass.gakushuin.ac.jp/webclass/login.php?id=98bad019507714efe60da9087bda1805&page=1
• 都合によってメールで送る場合はメール本文とレポートファイルの両方に氏名・学籍番号を明記すること
• 埋め込みデータによって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ること

7月15日　第14回　テキストエディタと正規表現／Wordの使い方†

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

• この授業ではVisual Studio Codeを例に説明します。各種プラットフォームで使える高機能なエディタです
  • https://code.visualstudio.com/

• 正規表現を使った検索・置換、grepについてさわりだけ

• 練習用サンプルデータ（漱石 こころ.txt）
  • sample.zip

正規表現を使ってみる†

VSCodeの検索で「.*」をクリックして正規表現モードをオン

• 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－ションやプログラミング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）

• データの整形
  • 「中納言」の検索結果を置換で整形、必要な情報を取り出す

Wordの使い方†

• ここでは簡単に説明し、録画を配信します。

Wordでレポートを書く（文書と構造化）†

文書構造を意識したレポートの書き方（Wordの機能の活用）†

文書の構造化とWordの使い方（レポートの書き方）

• 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
• ページ番号*
• PDFとして保存（ブックマークを付加）*

レポートの構成について†

• IMRAD

授業録画の配信†

• 授業の録画は、WebClass授業ページの Zoom録画 から閲覧して下さい。当分の間、閲覧可能です。

7月8日　第13回　コーパスの語彙表の利用・コロケーション強度／レポートテーマの調査と質問†

語彙表の利用†

調査対象の語をコーパス全体の中に位置づける、他の語と比較する

• BCCWJ語彙表 https://clrd.ninjal.ac.jp/bccwj/bcc-chu.html
  • http://doi.org/10.15084/00003219
• CHJ語彙表 https://clrd.ninjal.ac.jp/chj/chj-wc.html
  • http://doi.org/10.15084/00003541

コロケーション強度†

• 授業資料/コロケーション強度

• 「玉葱」と共起する動詞の例
  • collocation_sample.xlsx

• VLOOKUPで、語彙表から調査対象語のコーパス中の頻度を引いてくる
  • サンプルデータ

07/01　第12回　文字列関数／VLOOKUP関数の利用†

Excelの文字列関数†

集計に必要な情報をフィールドから切り出すことで集計に使う

• 授業資料/EXCELの文字列関数参照

• （参考）Mac版Excelと文字種（前回分）
  • フィルタのオプションで平仮名と片仮名が区別されないので、文字コードで区別する
    • =unicode(文字列) ：文字列の先頭文字の文字コード（Unicode、10進数）を返す

「中納言」インラインタグ機能の利用†

• 前後文脈に埋め込んだタグから、必要な情報を取り出して利用
  • テキストエディタと正規表現を使うと便利だが、テキストフィルタや文字列関数でも利用できる
    • （参考）授業資料/正規表現

VLOOKUP関数の利用†

• 授業資料/VLOOKUP関数参照

辞書引き集計†

自分で作った（または誰かが用意してくれた）辞書データ（コーパスの見出し語に対する追加情報）を利用する

• 例：形容詞の意味分類付与
  • （参考）分類語彙表 https://clrd.ninjal.ac.jp/goihyo.html
  • サンプルデータ（味・においの形容詞）

アノテーションの利用†

自分で作った（または誰かが用意してくれた）コーパスへのアノテーション（用例に対する注釈データ）を利用する

• 例：中古ラレルの用法分類
  • 『日本語歴史コーパス』中古「る」「らる」用法分類アノテーションデータ ver.0.5

06/24　第11回　レポートテーマについて†

• レポートテーマについて
  • リアルタイム参加ができない人は事前にWebClassで連絡

• 普段から見聞きする言葉に気をつけるとともに、他の授業や書籍の情報も活用する
• 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
  • 〈参考〉 国語に関する世論調査の結果について（文化庁）
  • 〈参考〉国語研・ことばの疑問
  • 〈参考〉NHK放送文化研究所・ことばの研究

• 例*1
  • 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？
    • 「栄養／営養」「仕合わせ／幸せ」
    • 「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
    • 「婦人／女性」「普通／尋常」
  • 意味変化
    • 「美しい」「すごい」「やばい」、「米」

06/17　第10回　さまざまな集計†

（Excel基礎）セルの相対参照と絶対参照†

• A1：相対参照
• $A$1：絶対参照
• $A1：列のみ絶対参照

【前回補足】調整頻度の計算†

• クロス集計表
  • 例：「矢張り」
  • ※割合を比較するだけなら調整頻度を出す必要はない。

『日本語歴史コーパス』での調整頻度†

• 【例】頻度で見る「あはれ」「をかし」と源氏・枕
  • ※作品間比較では、最低限、調査対象の語数を考慮する（＝調整頻度ではかる）必要がある
  • 『日本語歴史コーパス』の語数表は下記を利用
    • 日本語歴史コーパス/語彙統計/短単位語数表(https://clrd.ninjal.ac.jp/chj/doc/CHJ_SUW_WC_202103.xlsx)

集計用の列を自分で用意する†

• 検索例：蒲公英・向日葵・蓮華
  • 表記（ひらがな・カタカナ・漢字）別集計
    • フィルタ機能を上手く使って「文字種」列を作る
• （参考）Mac版Excelと文字種
  • Macではフィルタの際に平仮名と片仮名が区別されないので、関数を使って文字コードで区別する
    • =unicode(文字列) ：文字列の先頭文字の文字コード（Unicode、10進数）を返す
• 応用：用法分類などなど

（次回予告）レポートテーマ案について†

• 次回、レポートテーマとして考えていることを全員に聞きます。テーマは後で変わっても構いません。
  • リアルタイム参加ができない人は事前にWebClassで連絡を

06/10　第9回　ランダムサンプリング／調整頻度の計算†

【前回補足】複数の検索結果をまとめるもう一つの方法†

「検索条件式ごとに出力ファイルを分割する」を外して検索条件式で一度にダウンロード（ZIPファイルの中のcsvファイルを利用）

• 例：

  キー: 品詞 LIKE "名詞%"
  AND 前方共起: (語彙素="美しい" AND 活用形 LIKE "連体形%") ON 1 WORDS FROM キー;
  キー: 品詞 LIKE "名詞%"
  AND 前方共起: 語彙素="奇麗" ON 2 WORDS FROM キー
  AND 前方共起: (語彙素="だ" AND 活用形 LIKE "連体形%") ON 1 WORDS FROM キー;

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

• 例：「られる」「全然」

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の数を調べたい場合

• たとえば同一サンプル内での繰り返しが多いものを調査するとき（例：一人称代名詞など）
  • 「データ」→「重複の削除」
• 例：「俺・僕・私」

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.

• BCCWJの語数
  • https://clrd.ninjal.ac.jp/bccwj/bcc-chu-suw.html
• 短単位語数表をピボットテーブルで集計
  • 短単位語数表：http://doi.org/10.15084/00003226

調整頻度（pmw）†

• 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」のリンク先からExcel形式でダウンロードできる
    • 語数ファイルをピボットテーブルで集計して分母にする

• 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

• 例：「パソコン」「立ち上げる」

06/03　第8回　Excelによる検索結果の集計（2）†

「中納言」検索課題（いままでの復習）†

• 「中納言」検索課題 PDF

複数の検索結果の結合†

一度にピボットテーブルで集計できるように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

• Ctrl*2+End*3　ファイルの末尾/表のいちばん右下に移動
• Shift+Ctrl+End*4　〃範囲を選択

1. 表をコピー
   • Ctrl+Home*5（表の左上へ移動）, ↓（列名は選択しないようにするため1行下へ）,Shift+Ctrl+End, Ctrl+C（コピー）
2. 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）

• 授業資料/覚えておきたいショートカットキー

• 例：ワイン・葡萄酒　※単位数が違うので検索条件式でも一つの式では書けない

  キー: 語彙素="ワイン";
  キー: 語彙素="葡萄" AND 後方共起: 語彙素="酒" ON 1 WORDS FROM キー;

05/27　第7回　Excelによる検索結果の集計†

• 中納言の使い方 (PDF)ダウンロード

「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

• データの形式
  • タブ区切りテキストの各列

Excelの基礎†

• 並べ替え（ソート）
  • 反転前文脈の使い方
• フィルタ（絞り込み）
  • テキストフィルタ
  • 多重フィルター（複数の条件指定）

【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

• 例：CHJの犬と猫
• （参考）国語研オープンハウス2021　https://www2.ninjal.ac.jp/openhouse/2021/
  • 動画：『日本語歴史コーパス』のかんたんな使い方─犬派？猫派？編─ https://youtu.be/672LMkV6GxU

05/20　第6回 『中納言』の使い方(2)†

「中納言の使い方」†

• 中納言の使い方

• 3.6 特殊な検索指定 ～

05/13　第5回 『中納言』の使い方†

（前回補足）形態素解析を試してみる†

• Web茶まめ
  • https://chamame.ninjal.ac.jp/
• ニュースのテキストとブログやSNSのテキストの比較

（前回補足）形態素解析の仕組み†

• 授業資料/形態素解析

「中納言の使い方」†

• 中納言の使い方

05/06　第4回 コーパスの形態論情報†

コーパスの形態論情報†

• BCCWJの形態論情報
  • 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 参照
  • 長単位と短単位・資料 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

品詞体系†

• BCCWJ・CHJは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†

• 短単位：MeCabとUniDicを使った形態素解析で情報付与
• 長単位：短単位を組み上げて情報付与

参考資料†

• 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・第4版 下

04/29（授業実施日）　第3回 日本語コーパスの紹介（2）
『日本語歴史コーパス』『日本語日常会話コーパス』†

放送予定†

• チコちゃんに叱られる! 4月29日(金)午後7:57
  • 「私は」は「は」と書くのになぜ「わ」という？
  • https://www.nhk.jp/p/chicochan/ts/R12Z9955V3/episode/te/P2PV9VL5XX/

「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 (残り)†

• スライド「コーパスとは～BCCWJの設計」 P.45 「３つのサブコーパス」～

「日本語歴史コーパス」（CHJ）の構成†

• https://ccd.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』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†

• 近代雑誌（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」：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

「日本語日常会話コーパス」（CEJC）の構成†

• 『日本語日常会話コーパス』
  • 現在はモニター版100時間分を公開
  • https://www2.ninjal.ac.jp/conversation/cejc-monitor/design.html

利用する側から見たコーパスの設計†

• BCCWJでもCHJでも、どのように設計されているかを知らないと大きな誤りを犯す可能性がある
  • サブコーパスのサイズを無視した比較
  • バランスのとれていない項目間の単純比較（BCCWJの年代、CHJの時代・ジャンル等）

04/22　第2回 日本語コーパスの紹介（1）『現代日本語書き言葉均衡コーパス』†

「中納言」授業アカウントの配布†

• チャットで一人ずつ配布します
• 個人用アカウントを取得した人は不要です

コーパスを使ってみる†

• 細かい話は抜きで「中納言」でコーパスを使ってみよう
  • 『現代日本語書き言葉均衡コーパス』（BCCWJ）コアのみを対象に設定
  • 文字列検索
  • 短単位検索

コーパスとは†

（以下スライド参照）

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。

• 現代日本語書き言葉均衡コーパス（BCCWJ） / 日本語歴史コーパス（CHJ）

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、言語研究に利用可能。

• さまざまなテキストアーカイブ（新潮文庫の百冊 / 青空文庫 / 国会会議録）
  • 参考：「ひまわり」パッケージ
• Web上のデータ
  • 検索サイトの利用
  • WAC（Web as Corpus）

• この授業で主に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）」

コーパスへの要請†

• 大規模であること
• 各種のテキストが含まれていて、ジャンルなどのバランスがとれていること
• 著作権の問題がないこと
• 言語研究に利用できる情報がついていること

「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†

• 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

---

• 著作権をめぐる問題

参考リンク†

• 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/
  • BNCリファレンスガイド 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
  • 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

---

04/15 第1回　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/
  • 国立国語研究所言語資源開発センター https://clrd.ninjal.ac.jp/（先月までコーパス開発センター）

授業内容等の確認†

• オンライン授業の進め方について
  • 原則としてZoomでのリアルタイム授業
  • 録画を共有するので復習すること

• シラバスの確認
  • シラバス(G-Port)
  • この授業の目的
  • 授業の進め方
  • 評価方法

• 受講者アンケート
  • 受講環境（大学/自室、Windows/Mac/その他、受講中のPC操作の可否）
  • 関心のある分野について
  • PC等のスキルについて

「中納言」アカウントについて†

• 「授業アカウント」について
• 個人用の「中納言」オンライン利用申込み
  • https://chunagon.ninjal.ac.jp/useraccount/register

授業で利用する主なソフトウェア・Webアプリケーション（予定）†

授業内容デモ†

• コーパスの利用
  • 「現代日本語書き言葉均衡コーパス（BCCWJ）」
    • 中納言
  • 「日本語歴史コーパス（CHJ）」
• Excelによる集計（ピボットテーブル）
• 形態素解析
  • Web茶まめ
• テキストエディタと正規表現

（オープンハウス）†

• （参考）国語研オープンハウス2020　https://www2.ninjal.ac.jp/openhouse2020/
  • 動画「日本語歴史コーパス」の紹介 https://youtu.be/tKvVR2K2h2E
• （参考）国語研オープンハウス2021　https://www2.ninjal.ac.jp/openhouse/2021/
  • 動画：『日本語歴史コーパス』のかんたんな使い方─犬派？猫派？編─ https://youtu.be/672LMkV6GxU

最新の10件