# 言語研究で「コーパス」ってよく聴くけれど，何？ おはようございます。英語の歴史の研究者、ヘログ英語詩ブログの管理者、 そして英語のなぜに答える初めての英語詩の著者のホッタリウイチです。 英語の語源が身につくラジオヘルディオ。 英語詩をお茶の間におもっとに英語の歴史の面白さを伝え、 すそのを広げるべく毎朝6時に配信しています。 本日は1月19日金曜日です。皆さんいかがお過ごしでしょうか。 本日お届けする話題はコーパスとは何かです。 どうぞよろしくお願いいたします。 # corpus の語源，そして Google 検索と何が違うのか✨ 今日は言語学においてコーパスとは何かというお話、コーパスの導入回となります。 まず英語字章を引いてみたいと思うんですけれども、Corpusとなりますが、こちらリーダーズ英語字典第3版によりますと、 1、文書奉典などの修正、全文献、大全、全集、知識証拠の集積、ということですね。それから言語学の用語としてコーパス。 記録された発話テキストの集積、言語資料、というふうにあります。 語義2が解剖学の用語で体、語義3が物の本体、 利子収入などに対する元金、基本金、資本金ということですね。このように全体としては体というのが原理にあるんですね。 集合体という時の体に近いと思うんですけれども、それもそのはずで、これはラテン語のCorpusという単語を釈用したものなんですね。 そしてラテン語でCorpusというのはまさに体、英語でいうところのボディに相当する日常語なんですね。 これが英語に借りられてくるや専門語として使われることが多くなって、言語学ではコーパス、今日導入する単語と意味に相当するわけですね。 ちなみにですね、語源的にCorpusというラテン語の体を意味する単語に遡ると言いましたが、実は英語にはこのCorpusに遡る単語が他にも3種類あるんです。 つまり今回の話題のCorpusを含めて45ということになりますね。他の3つもここでチラッと紹介しておきたいと思うんですが、1つはCorpuseという綴り字で死体という意味です。 体は体でも死体ということなんですね。そういう意味になって英語に入ってきています。Corpusですね。さらにこのCorpusと同じ死体の意味で今では古めかし、響きがあり死などで使われることはありますがCorseという単語があるんですね。 これもCorpusの仲間でPがあるかないかの違いだけです。死体という同じ意味ですしね。そして最後にCorpという単語です。Marine Corps海軍という時の軍隊の意味ですね。 発音としては語末の死因2つとも読まないわけなんですがCore、語源的にはラテン語Corpusに変えていくということですね。軍隊というのも1つの集合体、組織体という意味合いから体、ボディと関連付けられているということなんですね。 さあ45という話題はこの辺にしておきまして言語学でいうCorpusとは何なのか。言語研究というのは色々なやり方があるわけなんですが昨今と言いますか常にと言ってもいいと思うんですが1つ主要なやり方、研究の仕方っていうのは大量の例を集めるということですね。 例えば単語、イディオムその他構文的なパターンでもいいんですけれどもたくさん例を集めたいあるいは頻度をとりたいという時に大量の言語資料、言語的データベースというものが必要になってくるんですね。 例えば今だったらですねウェブ上でGoogle検索などをするとそのまま頻度も自動的に数字で出てきますし様々な例が上がってくると思うのでそれでいいんではないかと思うかもしれませんが言語学的には難ありなんですね。 目的によってはGoogleももちろん使えるわけなんですが多くの場合ですねネット上の検索では言語資料としては使い物にならない。少なくとも言語学の学術的なある目的に照らす場合には有用ではないというケースが多いんですね。 あくまで言語研究のための言語研究といっても広いので目的を絞るわけなんですがその目的のための言語資料言語データベースっていうのが必要なんですね。つまりすべてが引っかかるGoogleでは学術的には使いにくいという側面があるんですね。 そこで言語学者が自らの言語研究のために編集する言語資料言語的データベースというものが現れてくるわけです。道具というのは目的に沿っていればいるほど使いやすいものなんですね。 なので言語研究には言語研究という目的に見合った道具コーパスという言語データベースが必要なんですね。言語学におけるコーパスの定義ですけれどもこれいろいろなものがあると思うんですけれども一つコーパス言語学の入門書から今回は取ってきたものをお示ししたいと思います。 私がすでにブログの記事として書いたものから読み上げる形です。点挙等もそちらからご確認いただければと思うんですけれども英語の本なので英語の定義ということで読み上げます。 コーパスというのは機械で読むことのできるオーセンティックなテキストの集合体である。 話し言葉のデータを文字起こししたものも含む。これが括弧に入ってますね。そしてそれはある特定の言語あるいは言語編集を代表すべくサンプリングされたテキストの集合体であるというような解釈になります。 ポイントは4つあります。一つ目がマシンリーダブルということですね。これは現代のコーパスであれば事実上マシンリーダブルなんですね。つまりコンピューター上で扱えるデジタルなデータということです。 これによって取り出してきた例をさらに調べたり頻度を数えたりということを半自動でやってくれるということでコンピューターに収まっているコーパス言語データというのは非常に有用性があるわけですね。 二つ目オーセンティックなテキストの集合体であるということです。オーセンティックというのは本物である偽物ではないということですね。まがいものではない。つまり自然に発せられた話し言葉なり自然に書かれた書き言葉なりということで自然なものとして信頼できるということです。 人間の成すことには大抵意図が入っていますので本当の意味での自然な言語って何なのかという問題は確かにありますけれども要するに構えていない自然体で日常会話しているものを盗み聞きして捉えるというような感じです。コーパスのデータの集め方はそんなことはしませんけれどもイメージとしてはそんな感じです。自然に使われている自然体で使われているところをデータとして拾い上げるということです。 次にサンプリングされているという特徴ですね。これもちろん言語データっていうのは無限です。例えば今のこの一瞬1秒でもいいですが1秒捉えて世界で話されているあるいは書かれているあるいは通信されている人間の言語っていうのはすべて集められるとしたら私どれくらいの規模になるかは全く分かりませんが1秒だけの間でもですねとてつもない量なんだと思うんですね。 これを言語学の分析対象にすることは到底できないので必ずその中からサンプリングすることになるわけですよ。つまり全調査できないので必ず部分調査になるということですね。この際のサンプリングは社会調査なんかと一緒でやはり事前の計画が必要です。サンプリングの計画とか方針というものですね。そのような方針に基づいて一部を取るということをやっているのがコーパスです。 4点目はレプリゼンタティブということです。ある言語あるいは言語編集ですね。つまり研究対象としている言語や言語編集の全体の宿図であるということが望ましいわけです。 例えば英語一般を研究したいときに英語の書き言葉だけのコーパスだと半分しか分析できないことになりますね。英語全般を研究したいのであれば書き言葉だけでなく話し言葉の言語データもそのコーパスに入っていて欲しいわけですよね。 もちろん英語の書き言葉だけを研究したいという目的がはっきりしていれば書き言葉だけ集めたコーパスでも十分レプリゼンタティブです。目的次第というところがポイントですね。 # 関連過去回も聴いてみてください：##611, 861 前のチャプターからの続きですけれども、話し言葉の英語だけを集めたといっても、それが例えば新聞記事だけに偏っていたら、これはバランスを変えていますね。 書き言葉全般を調べたいという時に、新聞記事というのは一つのジャンルに過ぎません。 一般の本もそうですし、漫画の吹き出しのセリフの部分も含まれるかもしれませんし、 ブログの記事、手紙、これ全て書き言葉ですので、英語の書き言葉全般を研究したい時に、もし言語資料が新聞だけだったら、これは一律しくバランスを変えているということで、レプリゼンタティブとは見なされないわけです。 といったように、レプリゼンタティブというのは極めて相対的な概念です。何を目的とするかによって、その目的の対象となる言語資料ですね。 これだけでも全て集めることはできませんので、必ずサンプリングを取ることになるわけですけれどもね。 さあ、この4つが主な現代の言語学でいうところのコーパスに必要な特徴とされます。 マシン・リーダブル、オーセンティック、サンプルド、レプリゼンタティブということですね。 ただ一点ですね、現代のコーパス言語学においてはこれがスタンダードだけれどもという言い方をしたんですが、 1つ目のマシン・リーダブルというのは、コンピューターが使えるようになった文字通り現代の話で、数十年前まではコンピューターがなかった時代にはひたすら文献を集めて、それを今でいうところのコーパス代わりに用いていたんですね。 つまりマシン・リーダブルではなかっただけで立派なコーパスだったんですよ。 ひたすら本をめくって用例を数えて頻度を計算するということは、これは言語研究としてずっと行われてきたことで、コンピューター時代になってからではありません。 1つ目のマシン・リーダブルという特性は、現代の言語学においてはデフォルトとなっていますけれども、このマシン・リーダブルという特徴はいわば新しく付け加わったものとみていいですね。 実はコーパスを用いた言語研究というのは、コンピューター時代が始まる前から、人力でマニュアルでですけれども行っていたということ。 これ重要ですね。コーパス言語学という言い方もしていませんでしたが、実態としてはコーパス言語学に相当するものはずっと言語の研究の中で長く続いてきたというところは抑えておきたいです。 ただコンピューターができて、この特性を加えた上でコーパス言語学という売り出し方をもったしているということです。 では先に述べたGoogleの検索の背後にあるようなGoogleの膨大な言語データですね。これはコーパスと呼べるかどうかということですね。 目的次第なんですけれども、コーパスの4つの性質と照らし合わせてみますと、まず1つ目マシンリーダブル。これはまさにGoogleがやっていることですよね。 デジタルなデータを扱っています。ここはクリアしています。2番目オーセンティックテクスト。オーセンティックかどうか。これは怪しいです。 例えば英語の表現を検索欄に入れて調べてみますと、そもそも頻度が返ってきますね。ヒット、何件ありましたというふうに返ってきますよね。 しかしそのすべての例がオーセンティックかどうかはありません。どういうことかというと、簡単に言えばノンネイティブが使う間違えた英語もそのデータベースの中にはたくさん含まれている可能性があるんですね。 つまりゴミみたいなものも大量に混じっているという可能性が高い。そしてそれをはじくのも難しいということで、言語研究のためには使えないことが多いという理由の1つはそこにあります。 次、サンプルされているということなんですけれども、言語データのすべてを集めているわけではない以上、何らかの形でサンプリングがなされているということは前提として良いと思うんですが、そのサンプルに計画性はあるのかどうかという点でよくわからない。 そしてレプリゼンタティブというのも怪しいです。Googleが拾ってくるデータはそもそもデジタルデータであることが大半だと思います。 今はGoogleブックスのような形で紙の本からスキャナーで取り込んでというものも多くなっていると思いますし、あるいは音声認識も発達したので、話し言葉がそのまま文字起こしされた状態でデータベースに入っている可能性もありますね。 これもどんどん増えてきているんだろうと思いますけれども、やはり偏りは相当に最初からデジタルな書き言葉に寄っていると思うんですね。つまり色々な点でブラックボックス化されていて、得体が知れないんですね。 言語学は一つの言語学分野での研究ということですので、得体の知れないものを得体の知れないままに扱うということは避けたほうがいいわけです。言語研究という目的のために編集された独自の言語資料が必要なんですね。それがコーパスというものです。 現代のコーパスはマシンリーダブル、デジタル媒体と非常に強く結びついているということで、そしてコンピューターの発達もアメリカがスタートだということで、やはり英語のコーパスというものは最も作られ始めて編集され始めて歴史が長いです。 そして言語研究の目的やターゲットというのも多岐に渡りますので、それに応じて様々なコーパスが余れてきました。英語史という分野は歴史的に英語を見るそういう分野ですよね。ですので歴史的なという研究の目的が一つですね、条件が加わるわけで、それに見合ったコーパスがやはり早くから編参されてきました。 英語は最も広く学ばれている言語で、そして研究上もですね、最も深く研究されている言語ということで、今まで英語に関して余れてきたコーパスはですね、もう何十何百じゃ聞かないかもしれませんね、広く集めると。目的に応じて様々です。 そして今では各自が自分の手元のパソコン等でですね、コーパスを自作することができるという時代にもなってきましたので、英語のコーパスはいくつあるんですかという質問はもう答えられないレベルというか問うべき質問でもないという、そんな時代になってきているかもしれませんね。 今回はコーパスとは何かというところに終始しまして、コーパス入門の入門という話だったんですが、前のチャプターに貼ったリンク先、ブログ、記事などを見ていただければと思います。 そしてこれまでのこのヘルディオデモコーパスについては、いろいろな形で取り上げてはきたんですけれども、タイトルにコーパスと入っているものに限りますと、2つこちらで紹介しておきたいと思います。 1つ目は611回、家入陽子先生との対談の第2弾、新著文献学と英語史研究より英語史コーパスについて語ります。 家入先生とほぼ1年前になりますかね、本を出しまして、その中でですね、コーパスも導入しています。 コーパス言語学とは何か、コーパスによる英語史研究の最新の動向などについても書いております。 それについて対談したという回だったんですね。 それから861回、コーパス、辞書、方言、地図、私の研究道具とそのいじり方ということで、研究道具としてのコーパスに焦点を当てた、そんな回だったんですけれども、 こちら611回と861回、合わせてお聞きいただければと思います。 今後もこのコーパスについてはですね、話す機会を増やしていこうかなと思っております。 今日はそのほんの小さな頭出しということでお話ししました。 # 家入 葉子・堀田 隆一　『文献学と英語史研究』　開拓社，2023年．もよろしく😄 エンディングです。 今日も最後まで放送を聞いていただきまして、ありがとうございました。 コーパスは、かつては有料のものも多かったんですね。 今でも有料のものもありますが、 ウェブ上で無料で扱えるものも、 昨今はどんどん増えてきていまして、 英語に関しましても、英語研究、あるいは英語子研究のみならず、 英語学習にも非常に効果的に使えるコーパスも、 どんどんできてきていますので、 おいよいこの辺りも含めて、 紹介していきたいなというふうに思っております。 このチャンネル、英語の語源がミニスクラジオヘルディオでは、 あなたからのご質問、ご意見、ご感想をお待ちしています。 Voicyのコメント機能を通じてお寄せいただきますと幸いです。 SNSでのシェアもよろしくお願いいたします。 それでは、今日も皆さんにとって良い1日になりますように、 ほったりうちがお届けしました。 また明日。