東大2016/コーパス言語学入門の履歴(No.8) - OGI-Wiki

コーパス言語学入門・日本語コーパスの活用

コーパス言語学入門(人文社会系研究科/基礎文化研究専攻言語学専門分野)
人文情報学特殊講義(文学部次世代人文学開発センター)
言語学特殊講義(文学部言語文化学科言語学専修課程)
冬学期 4限（14：55～16：40）法文1号室 111教室

2016/10/14

配布資料：「中納言の使い方」（次回以降も使います）

リンク：BCCWJ関連報告書 http://pj.ninjal.ac.jp/corpus_center/bccwj/doc.html

2016/10/7

配布資料：「仮想講義」（前川）

「コーパス」について†

OED corpus, n.　http://www.oed.com/view/Entry/41873

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）
Web上のデータ
- 検索サイトの利用
- WAC（Web as Corpus）

紙の資料からコーパスまで (日本語研究資料の変遷)

(紙の)本文
(紙の)総索引（コンコーダンス）
各種の電子テキスト
構造化テキスト
- 太陽コーパスなど
形態論情報付きコーパス
- 現代日本語書き言葉均衡コーパス（BCCWJ）など

コーパスに求められるもの

コーパス以前の電子化日本語資料（とその限界）
- 個人研究者による電子化テキスト
  - cf. 日本文学等テキストファイル(岡島昭浩)
- 出版社による電子出版物（CD-ROM）
  - 新潮文庫の100冊 etc.
- 新聞のデータベース（CD-ROM）
  - 毎日新聞CD-ROM etc.
- 研究機関のデータベース
  - 国文学資料館大系DB etc.
- Web上のテキストアーカイブ
  - 青空文庫 etc.
- Webそのもの
  - Web as Corpus

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

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」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
- 現代日本語書き言葉均衡コーパス：サンプリング

2016/9/30

イントロダクション/日本語コーパスの紹介

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/
- 国立国語研究所コーパス開発センター
コーパス

デモ
- BCCWJ少納言
- BCCWJ中納言
- Web茶まめ
- Excelによる集計（ピボットテーブル）

シラバス確認
- この授業の目的
- 授業の進め方
- 評価方法
受講者の関心・スキルについて

「中納言」オンライン利用申込み

https://chunagon.ninjal.ac.jp/useraccount/register