#author("2023-04-17T09:57:27+00:00","default:ogiwiki","ogiwiki")
**2023/04/18 国語研の書き言葉コーパス [#he314895]
国語研の書き言葉コーパスについて最新の研究を含めて概説する。
***コーパスとは [#t54768fa]
-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>https://www2.ninjal.ac.jp/lrc/index.php?%C1%B4%CA%B8%B8%A1%BA%F7%A5%B7%A5%B9%A5%C6%A5%E0%A1%D8%A4%D2%A4%DE%A4%EF%A4%EA%A1%D9]]
-Web上のデータ
--検索サイトの利用
--WAC（Web as Corpus）
***「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 [#s89fe505]
-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
***参考リンク [#o1a9da5c]
-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/]] 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/]] 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>https://clrd.ninjal.ac.jp/bccwj/index.html]]
--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
***「日本語歴史コーパス」（CHJ）の構成 [#x9f78d1c]
-https://clrd.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』>https://clrd.ninjal.ac.jp/chj/]]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 [#p0de8288]
-[[近代雑誌コーパス>https://clrd.ninjal.ac.jp/cmj/]]（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」>https://clrd.ninjal.ac.jp/cmj/taiyou/index.html]]：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
***「昭和・平成書き言葉コーパス」（SHC）の構成 [#vfbcaa59]
-https://clrd.ninjal.ac.jp/shc/ ※準備中
-CHJの後を受けて現代までを通時的に研究するためのコーパス。1933年以降、8年おき11か年分を収録。
:雑誌|1933・1941・1949・1957 年刊の『中央公論』と1965・1973・1981・1989・1997・2005・2013 年刊の『文芸春秋』
:ベストセラー書籍|1933・1941・1949・1957・1965・1973・1981・1989・1997・2005・2013 年のベストセラー書籍
:新聞|〃『読売新聞』奇数月2日の朝刊1冊
※参考：配布資料（「『昭和・平成書き言葉コーパス』の構築と公開」）
***コーパスと著作権 [#xa8ac945]
-スライド参照
**2023/04/27 国語研の書き言葉コーパス [#aef9dc9b]
国語研コーパスへの形態論情報の付与について最新の研究を含めて概説する。
![[PukiWiki]](image/pukiwiki.png "[PukiWiki]")
