# 昨日の配信回と関連して，別日に収録しましたが，khelf の3人でコーパスを語りました！ 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、英語の謎に応える初めての英語詩の著者、そして6月18日に研究者から刊行された英語語源ハンドブックの著者のホッタリウイチです。 加えて、来る10月15日に夏目社より新刊書が出ます。同僚の井上一平さんとお届けしているYouTubeチャンネル井の穂田言語学チャンネルから生まれた本です。 井上一平・ホッタリウイチ著 言語学ですっきり解決英語のなぜ ハッシュタグ井の穂田なぜとひらがな6文字で広報しております。こちらもどうぞよろしくお願いいたします。 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うに英語の歴史の面白さを伝え、裾野を広げるべく毎朝6時に配信しています。 本日は10月10日金曜日です。皆さんいかがお過ごしでしょうか。 今日の話題は、昨日の話と関連しています。ただですね、別日に収録しておりまして、直接の関係はですね、ないといえばないんですが、話の内容としてはつながっています。 一人、ケルフより寺沢志穂さんは、昨日の回にも、今日の回にも出ているということで、その辺のつながりはあるわけなんですけれどもね。 タイトルは、俗コーパスとは何か。ケルフメンバー3名で議論しています。 ということで、英語紙ライブ2025の当日に撮った声の書評からの流れでのコーパス談議、昨日聞いていただきましたが、それとはまた別日にですね、後日、ケルフ会長の青木光さん、そして寺沢志穂さんと私堀田隆一、3人で集まった檻に、改めてコーパス談議になっていったんですね。 そもそもコーパスとは何ぞや、というメタなところから解き始めて、なかなか濃い話になっていると思います。 昨日の回とは少し趣が異なるわけなんですけれども、ぜひですね、皆さんにこの機会に、英語詩研究とコーパスについて考えていただき、そしてコーパスに慣れ親しんでいただければと思うんですね。 俗コーパスとは何か、というタイトルにしたのは、実はだいぶ前なんですが、俗が取れたですね、コーパスとは何か、という第一回目と言いますかね、これをですね、963回にヘルディオで配信しているんですね。 この辺り、昨日の配信会と合わせて、さらにその963回、この辺りも聞いていただければと思うんですね。 各チャプターにリンクを貼っておきますので、そちらから訪れていただければと思います。 それでは行ってみましょう。俗コーパスとは何か、ケルフメンバー3名で議論しています。 どうぞお聞きください。 # まずは昨日の配信回「#1593. khelf メンバー4人でコーパスを語る --- 「英語史ライヴ20205」より」をお聴きください📻 おはようございます。 おはようございます。 本日はですね、ケルフ対談という形になるかと思いますが、 まずケルフ会長を。 はい、青木です。よろしくお願いします。 はい、よろしくお願いします。 そして、 寺沢です。よろしくお願いします。 はい。 3人でですね、集まる機会がありましたので、 何か収録しようということで、 いろんなお題が候補に挙がったんですけれども、 コーパスについて語ってみようかということで、 特にね、用意はなく始めるんですけれども、 2人の研究は、時代としては割と近いところですかね。 そうですね。私、近代英語機、 初期近代英語機を主に扱っているので、 増井美田寺沢さんとも近いですかね。 そうです。ほぼ同じですね。 話題としては、トートロジーとツズリジーということで、 だいぶ異なるわけなんですが、 時代として同じということは、 扱うテキストであるとか、 テキストの集合体は重なってくることも多いということで、 こういう際にですね、 現代はコーパスと呼ばれるもの、 主にこれ電子コーパスですね。 紙のものもコーパスと言わなくはないんですが、 現代コーパスという場合には、 通常マシンリーダブルというかね、 のものですが、 このコーパスって、 このヘルディオでも多少紹介したりですね、 考えてきたことがあったんですが、 実際に使っているお二人の使用感とか、 あとはそもそもコーパスを使うということは、 言語研究によってどういうことなのかとか、 ちょっとコアな話、 メタ的な話もしていきたいなと思うんですが、 まずコーパスってどういうものだと思ってますかね。 コーパスってどういうものか。 一般的には基本マシンリーダブルで、 現代においてはですね。 そして、なんて言われますかね。 いわゆるオーセンティックなテキストという言われ方で、 実際に基本文字、書き言葉だと思うんですけれども、 多くの場合ね、古いものは。 実際に書かれたものであって、 ちゃんとものがある、そこから取ってきた。 つまり、 例えばネイティブのその場で作った作文みたいなものではない ということですね。 コーパスに余れるということを前提としていないで、 素で存在していたテキストを、 構成のものが集めて編集すると。 あとどんなイメージ。 結局編集するっていう作業がありますよね。 基本的にはそうですよね。 研究目的のために集められた言語データの集積体っていう感じですよね。 なんでもかんでもないわけですよね。 Google検索だと、 元のものがどこから集められているのかわからないし、 特に今のSAIのLLMモデルなんかは、 ありとあらゆるものっていう感じで限定されないぐらいですよね。 ただ言語研究でコーパスは元がちゃんとわかっているっていうか、 ここからここまでを集めましたみたいなことが明示的になっているので、 つまりブラックボックス化していないっていうところが、 客観的な言語学研究としては重要なので、 むしろ量だけあってたくさんあればいいっていうわけではないっていう思想が、 基本ありそうな気がするんだよね。 ある程度背景に質の担保の部分はありますよね。 そうですね。 そことコーパス。 ただそうは言っても、 例えば今現代語の研究でよく使われる効果みたいなものは、 モニターコーパス的にもどんどん新たなものが付け加わってきているっていう意味では、 ちょっとブラックボックス的なところもありますかね。 それでいうと一個あったのが、 私がトートロジーの研究をしてて、 効果をベースにして表現を集めたんですけど、 なんかこれちょっとおかしいなと思う表現があって、 ちょっと深掘りしてそれを研究してみたら、 調べてみたら、 全然アメリカ人とかの発言じゃなくて、 シエラレオネだったかの大統領の発言だったみたいなことがやっぱりあって、 ネイティブの英語を知るためにやってるのに、 実は全然ネイティブと関係ない人の英語が入っちゃってるみたいなことはありましたね。 たとえありますよね。 効果っていうのはコーパスオブコンテンポラリー? アメリカのイギリスとかそんな感じですよね。 ですが、アメリカのメディアから集めたっていうだけで、 アメリカのメディアには多分いろんな人が発言していてみたいなことを考えるとね。 似たような話は、 寺田さんが終始論文の研究などでやっていた、 通り字の話でも、 外国語が入ってきてると。 私が終始論文で、 青木さんも使っていただくかと思うんですけども、 Early English Books Online、 通称EVOっていうものを母体にしたコーパスがありまして、 初期近代英語記の印刷本のテクストを集めたコーパスになってるんですが、 初期近代英語記っていうのは英語のテクストと言いつつも、 ラテン語のフレーズだったり、フランス語の文章だったりが、 かなり混ざっているテクストになっているので、 調べたいものを探していると、 実はそれはラテン語だった、フランス語だった、みたいなことがある。 それに注意が必要っていうのはありましたね。 なるほど。 そうすると、英語のコーパスですらなかったみたいな。 まあ一部ですけどね。 そうすると、外国語の影響とか考えている研究なだけに、 かなりこれは危ないというかリスキーですよね。 どうにそれを取り除いていくか、 少なくとも結果のデータの中からは、 取捨選択というか、絞っていくか、みたいなことはかなり悩んだ。 ここ数年間でしたね。 そうですね。 あと何でしょうね。 サンプリングが行われていて、 なるべく、本当にいろんなタイプのコーパスがあるんですが、 いわゆるジェネラルコーパスというものだと、 いろんなジャンルが入っていた方が、 現実の英語の多様な姿を、 近似的に模倣しているだろうということで、 例えば書き言葉ではなくて、 話し言葉もあった方が本当はふさわしいし、 だから収集の都合で、 どうしても書き言葉が多くなってしまうという見解はあるんですが、 書き言葉としても、 例えば小説だったり、 あれ詩だって書かれていることもあるし、 説教集とか古くなると、 いろんな媒体とかジャンルというのがあるので、 なるべくいろんなものをバランスよく務めて、 何かに偏りすぎないようにというふうに、 最初に計画を立てるわけですよね。 コーパス編参者が。 そのあたりが考慮されているということですかね。 ランダムではないという。 いわゆる代表性というやつですよね。 実際の言葉を分析するといったときに、 その実際の言葉の分類って、 交互的なものが多いのか、 書き言葉的なテキスト的なものが多いのかとか、 そういうバランスをうまく考えながら集めるという感じですよね。 英語を研究しようといった場合、 ものすごく膨張としていて、 何を調べればいいのかという感じですよね。 英語の、 例えばテレビで話される英語とか、 ニュースキャスターの英語ぐらいに絞れば、 その限定コーパスを作ることはできるんだけれども、 多くの研究テーマって、 英語では最近こんな言い方になっているよとか、 すごく大雑把に知りたいことが多いわけじゃないですか。 そのときに逆にコーパスが偏っていると、 間違った結果が出てしまうので、 なるべくそのジェネラルなコーパスって欲しいわけですよね。 その点でいうと、 EVOって怖いですよねっていうのが。 これはどういう意味でですかね。 EVOって、 ボイシーで話したことありましたっけ? あんまり、 用語はガンガン出してしまっていると思うんですけれども、 ざっと言いますと、 先ほど省略形EVOで、 大元がEarly English Books Onlineということで、 基本的には時代は、 1473年ぐらいから1700年まで。 15世紀末から17世紀一杯まで。 事実上、 いわゆる初期近代英語記と言われている、 16、7世紀ですね。 16、7世紀の200年間をターゲットにしていて、 もちろんそこには、 シェイクスピアも入っているし、 近帝役聖書も入っているし、 名だたるものも入っていますが、 もちろんタイトルもね、 はっきりつけられていないかのような、 何も名もない。 だけれども文章として残っているので、 コーパスを作るときには、 入れてみましたっていうものも入っていて、 相当何億語っていうレベルですよね。 かなり大きなものですよね。 私も使ったことは何回かあるわけなんですが、 これはどういう点で扱いに注意を要する感じでしょうかね。 個人的な感覚としては、 まず一つがやっぱり、 テキストすごく宗教的なものが多いっていうのが、 すごく気になっていて、 近代英語の姿を知りたいっていう理由で、 いろんなテキストを集めて、 研究者たち見ると思うんですけど、 イーボーってやっぱり収録されている、 もともとのテキストが宗教的なものだから、 じゃあそのコーパスを分析して、 コーパスベースで分析して、 近代英語ってこういう特徴がありましたっていったときに、 それ本当に当時の近代英語の姿を捉えられているの?っていう、 そういう不安っていうのが出てくるんですよね。 だからさっきシエラ・レオネだったかの大統領の発言があって、 これ本当にネイティブの英語なの?みたいな、 そういう話題を挙げましたけど、 そういうことが日常茶飯事に起こっているような、 気がしている怖さっていうのがあるなっていうのが、 一番感じるところですかね。 それは、いわゆるジャンルの偏りっていうことだと思うんですけど、 ジャンルの偏りって二パターンあると思っていて、 一つは、その時代に書かれるものには、 やっぱりこだわりとか偏りっていうのがあるので、 どう探したところで、集めたところで、 やっぱりそういう偏りになってしまうっていう、 その時代が持っているジャンルの偏りっていうのがある。 これ一つ、大元のね。 もう一つは、当時はいろんなジャンルがあって、 全体としてバランスの取れたコーパス作りようはあるんだけど、 たまたまその偏差に関わった人が、 説教好きとかですね、そういうことを研究しているので、 ある意味、自分のために、 多く説教文章を入れてしまっただけですっていう、 結果としての偏りなのか、 それとももう時代の限界っていうのがあって、 メディアも限界あるわけじゃないですか。 現代でもテレビ、ラジオが廃れてきて、 雑誌も廃れてきて、 結局YouTubeとかね、いう形になってくると同じように、 これはなんていうか、 そもそもその時代が持っている言語資産っていうのかな。 それに、メディアとかジャンルの点で偏りがある。 ということで言うと、 どうしようもない。 ただ、やっぱり、 一番欲しいんだけども得られてないのは、 話し言葉ですよね。 普段の日常会話っていうのが一番ノーマルで、 ある意味ではレプリゼンタティブで、 考えたいところがあるじゃないですか。 そこが基本なはずだから。 他は全てその発展型とかね、 考えたい基本があったりするんですが、 そこにはどうしてもアクセスできないことが多いんで、 そうすると書き言葉に偏って、 書き言葉にはどんなジャンルがその時代によって好まれるかっていうのが、 ある程度やっぱり出てしまうので、 時代が持っている偏りだったら、 もう我々はいかんともしようがない。 ただ時代はまあまあレプリゼンタティブなんだけど、 作る側の先入観が入って偏るのであれば、 是正できる可能性はありますよね。 これやっぱりイーボの場合、 あの時代の場合は、 説教が多いっていうことなんですけど、 これはどうなんですかね。 いかんともしようがないところはあります? 宗教改革が含まれている時代でもあるので、 宗教テクストが入ってくるっていうのは、 自然に考えることではありますよね。 実際のところ、出版された印刷本全体の中で、 宗教テクストがどれだけの割合だったかっていうのは、 別途調査する必要があると思うんですけど、 時代の傾向とかはありそうな気はしますね。 コーパスを用いたこの英語詩研究も、 一番最初、第一世代とか何世代とかいう言い方あるんですけど、 第一世代はやっぱりジェネラルに知りたい。 小英語全体を知りたいんですっていう。 中英語全体を知りたいんですっていうことで始まったんですが、 今話してきたような理由で、 小英語全体って何よとか、 小英語の代表的な文体とかレプリゼンタティブって何よっていう話になってきて、 一回挫折するというか、限界があるよねみたいになった時に、 今度はその挫折というか、逆に触れて、 だったら自分は近代英語記の、 しかも16世紀後半に限っての宗教文章だけでもう研究しちゃうからねみたいに、 今度どんどんグーッと狭まっていった。 レプリゼンタティブはなくなるけれども、 何を対象にしてるのかははっきりと自多共に伝わるっていう感じで、 そもそも無茶なレプリゼンタティブ全体を知ろうなんていう大きなことは考えずに、 狭く狭くいこうよっていうのが、次の世代に出てきたコーパスの在り方で、 なのでコーパスも17世紀の説教のコーパスとかね。 シェイクキアのコーパスってもちろんあるし、 こういうふうに逆に細分化される方向で、 これもコーパスと呼ぶようになってきたっていうところで、 難しいよねコーパスってだから、本来は多分だからジェネラルなことからスタートしたんだと思うんですよね。 マシンリーダブルでいろいろ人間よりも捌けるから量ということで大きくやろうとしたんだけど、 ジェネラルとかレプリゼンタティブって無理だよねみたいなことになって、 むしろ特化型みたいな方向を歩んで、 さらには研究者が本当にさらに自分の研究対象に向けて特化させて、 自分で作っちゃうみたいな世代が現れ、 かと思ったら一方で大規模コーパスということで、 その効果のように、今のLLMに結構近いですよね。 何でもかんでも入れてやれっていうことで、考えずに入れてやれっていうことで、 一番最初に求めたかったレプリゼンタティブみたいなものを、 今この大容量を扱えるようになった時代は可能なんじゃないかみたいな夢とか希望が出てきたわけなんだけども、 一番最初に言ったような、何を扱ってるか担保できてないよねっていう科学的客観性の問題からは、 むしろそれる方法で進化しているんで、 そうするとどういうふうにコーパスというものと我々付き合っていくべきか的な話になりますよね。 だから便利ではあるけど課題は本当に多いですよね。 やっぱり問題になるのはレプリゼンタティブってそもそも何なのかっていうのはやっぱり昔からあっていて、 代表的とか英語って言われた時に、じゃあ何が英語の最も典型的な姿なのかっていうのはわからないですよね。 あるかのように振る舞ってそれを例えば日本の英語教育なんかでも中心に据えているところがあるけれども、 緩く標準的で日常的、文化的な会話あるいは読み書きができるようなレベルにまで持ち上げるというところで、 本当はやっぱり教育のターゲットにもなるんですごく重要な問題なんですけど、 誰もレプリゼンタティブって定義できないんですよね。何なのね、レプリゼンタティブって。 そもそも誰かが言い出して、そんな無茶なものっていう感じはするわけですよね。 特に我々歴史やってるので、今ですら手に入るのにレプリゼンタティブって何なのかわからないじゃないですか。 そうすると昔になってもっとリソースがないし、わからないですよね。 そうするとコーパス使わないのかっていうとそうもいかないですよね。 便利ですからね。 便利だし、数をさばけるっていうのがありますよね。 ただその数も数で怖さはありますけどね。 EVOとかだと特にやっぱりチェキストの中にラテン語入ってたりとかありますもんね。 そういう怖さもあるから、例えば数で研究するっていうと、 言語研究の時ってだいたいこれぐらいのヒント出てきますよみたいな言うじゃないですか。 100万語あたりに何回出てきますみたいな。 その100万が全部英語だったらある程度許せるかもしれないけど、 英語とかラテン語とかいろんなものがミックスされた中で何回出てきますみたいな言い方をされても、 結局それって代表性にも関わってきますけど、 やっぱりそれじゃあその数に何の意味があるのっていう怖さもありますよね。 あと大規模コーパスっていう話でしたけど、 私が綴り字の研究をしているっていうのも大きく関係はしてくるかと思うんですが、 外国語が混ざってくる以前に電子コーパスとして電子テクスト化された綴り字が、 実際の元の印刷簿の綴り字を必ずしも正しく写し取ってくれてるわけではないっていう部分があります。 例えば文字が違う文字として電子テクストにされてしまっているとか、 そういう問題があるので結局コーパスのデータをまるまる信用することができないとなると、 やっぱり元の印刷簿のデータだったり、電子テクストのデータなんかを一個一個、 人間の力で目視で確認するしかないってなった時に、 その大規模コーパスというのも全部を扱い切ることはできないって問題があって、 じゃあ全部扱えないから一部をサンプリングするとか取り出そうってなると、 じゃあどこも切り取ろうかとか、どこまでを含んだらそのレプリゼンタティブというか、 ある程度量を扱ったっていう風にいうことができるのかとか、 だいぶ悩みはつきないですね。 そうでしょうね。だから逆行しますよね。大規模だから頼っちゃえばいいかというと、 一番ミクロな、結局写本まで戻ってその一文字のために確認するんだっていうのは、 ちょっと逆行するし、ある意味滑稽な感じすらするしね。 何をやっているんだろうみたいなところはあったり、 実際先ほどの話は結局OCRとかでスキャンしてるんですよね。 スキャンして読み込ませてるんで、ご存知のとおり100%ではありませんし、 現代の英語だったら標準通りがあるんで、それをスペルチェックするわけなんですが、 その標準がない時代ですからね、まだね。スペルチェックしようがない。 自動補正が効かないんですよね、という側面もあったり。 あと今の話を伺っててちょっと思ったのは、 初期近代の文章の中にラテン語が含まれるとかね、 ラテン語の引用があるっていうような時、確かにそれはラテン語であり英語ではないから、 英語のコーパスとしてはふさわしくない。 英語をレプリゼンタティブ、その分だけしてないっていう言い方は可能なんだけど、 一方ターゲットを英語というよりは、英語国民の言語生活ということでいえば、 ラテン語入っているっていうのが時にそれなりの頻度であるっていうのも、 込み込みで英語話者の文化的文字生活というのであれば、 むしろ入っていた方がそのレプリゼンタティブではある。 だからターゲットが英語という言語なのか、英語を中心としながらも、 それを使っている人々の言語生活みたいなところにターゲットを置くのかによっても、 今の捉え方は異なるわけですよね。 寺沢さんの場合はつづり字だし、外国からの影響っていうことなので、 これ混ざったり判別できないと困っちゃうわけですよね。 そこはわかりますね。 一方、青木くんの場合はトートロ字。どっちかというと長めの表現を探すっていう感じなんですか。 つづり字というよりは。 そうするとうまく正規表現を使ったりして、パターンを取り出したりっていう。 その使い方がね、何をターゲットにしているかによって使い方が異なりますよね。 つづりは相性はいい一方で、さっきみたいな一文字異なっていたら大問題になっちゃうっていうことなので、 表現の幅が大きければ、別に一文字一文字にはこだわらないわけですね。 全体の表現なんで、ここはやっぱり何を研究しているかによっても、 このコーパスの絵の態度とか信頼感、疑惑みたいなのって異なるかなと。 レプリゼンタティブの話もそうなんですけど、気がしますよね。 そうすると万人に何か使える完璧なコーパスってないっていうのはちょっとわかってくる感じで。 それで第三世代とかあたりは、もう自分で研究者一人一人が自分のために作るしかないでしょうみたいなノリになってきたっていうのもわかるんですけどね。 研究者が何を調べたくて、どういう範囲を調査対象としたいかが、やっぱり一人一人って違うんで、 それに合わせたコーパスの方が、研究する側もやりやすいですし、説明議論もしやすいっていうのはあるような気がしますね。 一方で、自分のために作ったコーパス、自分で編んだコーパスというのも、 例えば論文なり研究成果を出した後に、そのコーパス自体も公開しなければ確認が取れないっていう。 一般的な市販コーパスとか外に出てるものであれば、みんな再現性があるっていう感じですけど、そこは一つ課題ですかね。 今、それを公開すること自体は大きく問題じゃないのかもしれないんですけど、 現代だとその著作権とかね、自分の研究のためなら、自分で持ってる分だったらいいけど、公開するのはやめてよっていうことになると、その問題はやっぱり発生しちゃうかなと。 近代とかね、歴史やってればそういう問題は少ないと思うんですけど。そういう問題もありますよね。 あとはこれ、大学院でも一回語ろうかといって、語り出したことあるけれども本格的にやってない議論は、やっぱり数字をどう扱うかというか、数字とどう向かい合うかっていうね。 先ほどのどれくらいの頻度出たら好頻度と言えるのかとか、有意味だとかね。もちろん統計学の有意判定みたいなのもあって、そういうのも我々文系研究者もやるようにはなってきてるんですけど、 数との向き合い方っていうのはどの分野でもなのかもしれませんが、言語研究の場合、コーパスが出てきたんでね。それ以上の数字は来てるんですよ。数字は来てるんだけども、それなりにいい感じの大きい数字が出るわけじゃない。 すると、これは直感というわけにはいかないなということになりますが、最後はね、何ていうか、10個ね、10回現れたら十分好頻度だっていう言語辞書もあれば、100万回現れても全然足りないっていう現象って。 この現象との性質、兼ね合いによるから、これだから判断ほんと1回1回ですよね。しかも、あんまり頼るべき指標みたいのないですよね。 私個人がなのか、英語史研究者がなのかわからないですけど、言語変化だと何かが多数派に優勢になったみたいなところを見る部分もあると思うんですけど、すごいニッチなこんな変な綴り方してた人がいたよとか、こんな変な表現使ってる人がいたよとかも、ちょっと見つけると嬉しかったりするんですね。それをどう議論に含めるのか含めないで、個人的な喜びとしてとどめたりとか。 基本的にフィロロジストはそういうニッチとかマイノリティとか一つだけの孤立した例っていうのは大好きで、それを集めると。一方リングイストはそれだけ見ててもやっぱりジェネラルに何か結論導き出せないんで、一つ一つの小さな例が邪魔となって大きなジェネラリゼーションですかね。 持っていけないっていうのは比較的嫌がる傾向があるかなと思うので、リングイストは細かなマイノリティっていうのは、あえて方法論として割り切って省くっていう感じなので、同じ言語辞書を考えるにも、すごく極端な分け方ですけど、 フィロロジーとリングイスティックスみたいな大きな路線の違いはあるかなって気はしますよね。その場合なので、フィロロジストの立場に立つ者がコーパスっていうのを用いるときに、細かい例というのも切れないっていうと悩みが多いですかね。 先ほどの例もありましたけど。 両方、両サイド。 両方ですよね。ある程度数を出して傾向を見るっていうこともしますけど、やっぱり一例一例ちゃんと見ていかなきゃいけない部分もあると思うし、それでいいかなって思ってるんですよね。ある意味量でアプローチするところもあって、質でアプローチする部分っていうのもあると思うんで、やっぱり量側面があってこそいい研究になるかなっていうのはずっと思っていることだから。 そこはもういいとこ取りをしてっていう感じで迎え合ってますかね。 私も両方やるようにはしてますね。 ツールがある以上は量もやるし質もやるっていう。両方100%でやるとエネルギー200%いるでしょ。それは無理なんで、結局半分半分でいいとこ取りっていうか、量で俯瞰しておきながら見るべきところを俯瞰した上で定めて、そこにぐーっと今度は狭く入り込んでいくみたいな方法とかね。 それも量と質のバランスを取る一つのやり方だと思うんですよ。このあたりは意識はしているかなっていうところですね。数を無視できる時代ではないっていうところですかね。 そもそもヒロロジーもやっぱり考えてみると数え続けてきたんですよ。機械がなかっただけで。機械で桁が大きい桁で数えられるようになったんですけど、よく昔の研究とか見るとひたすら表ですよ。数えてるねみんな。 その上でもちろん一つ一つの例文を確かめたりということは忘れないではいたと思うんですけど、数が取りやすくなったとか、あるいは数えの信頼感とか客観性みたいなものが非常に強く意識されるようになってきたっていうのは確かですよね。 伝統的にというかいわゆる文系科目だったりするわけじゃないですか。そういう大学の学部に入って、その大学院に入って言語研究するってことなんで、得てして数は苦手って人は多いかもしれないですね。全体的には。 そういう全体の流れはあった上でのこういう議論っていうか、英語史研究かける数みたいなところだと思うんですけどね。ただ今は結構大学院なんかでもバリバリに統計を使うとかコーパスでっていう授業を用意されてますよね。 実際受けてましたね。思ったよりバリバリですよね。プログラム書いたりとか。コーパスどうなっていきますかね。次は第5世代とかどうなっていくんですかね。LLMとか来ちゃいましたからね、生成愛でね。あれはどういう絡み方を言語学者、文献学者していくことになるのかっていうのは。 ブラックボックスもいいところですからね。これね、ちょっと考えなければいけない。黙りこっちゃいますね。やっぱりどうすればいいんだろうって思ってますもんね、まだね。 例えば一発で、例えば英語ではこの10年この団子どんな使われ方したのっていうのを一発で引き出してくれる点では既存の大規模コーパスよりも多分っていうかほぼ間違いなくAIはいいものを出してくれるのは間違いないですよね。 だからその場合、どこから取ってきたのか問題であるとか、著作権とか倫理的問題もあるし。意外と我々に直結する話なんですよね、生成愛の本当はね。 10年後ね、どういう研究してるかわかんないんですけど、逆に10年前、自分はこんな研究してたんだけど、今はもうワンクリックでできるようになっちゃったよね、はははとか言ってる可能性は。全然ありますよね。 その時に、はははではなく、あの時やっていたこの研究は価値があったし、今でも輝いているんだと言えるようになるためには何をやればいいんだろうみたいなところですかね。むしろ逆に細かくね、遮方に戻るとかいうのが、暗示的に尊われるような時代が来るのか、どうですかね。 斜方をAIとかが文字起こしというか分析できるようになったらまたそこも話が変わってきそうですよね。今だと人間が頑張って斜方の文字を、古い文字を読み解くみたいなのがありますけど、それもAI化されていったらどうなるんだろう。 どこまで何ができるようになるんだろうもありますし、人間にしかできないことって何なんだろうということもありますし。 まあ頑張ればいけそうな気もするんですよね。どうなっていくか分からないんですけどね。今やっていることが5年後10年後に、チンプというかワンクリックでできるようになる可能性っていうのは本当にあり得るんですよね。 早めに博士論文を。AIに追いつかれる前に言ったことはあるかもしれないですけどね。 ちゃんと語ったことは確かにそんななかったかもしれませんし、これはリスナーの皆さんとも共有できたので良かったかなという、メタ的な方法論の話なんですけど、結構こういう問題、やっぱり自分で研究する際に大きいですよね。 結局自分何やってるんだろうかっていう時に突き当たる問題って結局こういうレベルの話だったりするんでね。意味があるのだろうかみたいな。やっぱりやっとく必要あると思うんですよね。 【佐藤】ただね、今回あれですよ、研究者の裏っかみたいな感じの議論になっちゃいましたけど、コーパス自体は結構一般の方でも触れやすいものですからね。それだけで英語の傾向を知ることができるし、ネイティブっぽい言葉の使い方とか、どういう表現どれくらい使うのかなとか、そういう簡単な調査は自分でもできるんで。ぜひ活用してみてほしいですね。 研究者の視点から何がレプリゼンタリブルかみたいなやや批判的な話はしたんですけど、ポイントは余れているってことですね。意図的に研究者によって言語研究のために余れているってことで、もちろんその方針にはいろんな立場があるとは思うんだけども、ブラックボックスにはなっていないってとこは最大のポイントだと思うんですよ。 編集の仕方に問題があったらそれはそれで議論できるんですよ。オープンになっているんで。ただラージラングウィズモデルみたいなのは本当にブラックボックスじゃないですか。その点において信頼できると言いますか、少なくとも問題があったときに返ってこられるので、やっぱり議論は続けていけるんですよ。このやり方だと。という意味での信頼感は間違いなくありますね。 で、使いやすくなっているって事実なのでインターフェースも含めて。昔本当に使いにくかったのはプレインテキストだけだったり、それだったらまだいいんだけど、作る人が勝手に自分の使いやすいようなプログラムとかを組んで、インターフェースも自分好みにしちゃう。それでオープンにするもんだから、みんなマニュアル読んでその人の発想をですね、インストールしないといけないんですよ。コーパスインストールというよりは、どうやって作ったのかインストールしなきゃいけなくて。 それが今、かなり標準化とは言わないまでも、大体の考え方とか作り方みたいのが共有できるものができてきたので、しかもインターフェースもかなり磨かれているものがあったりするので、これ一般に使いやすいものになっていると思いますね。日本語コーパスもありますし。 勉強さえちょっとやり方を覚えちゃえば本当に、それこそね、メーカースピーチとギヴァースピーチどっちが多いかなとか、そういう調べ方も簡単にできちゃうし、スマホでね検索できちゃうんで。そういう意味である程度信頼のおけるソースとしてそういう英語らしい表現を探すときとか、ぜひ活用できるのでね、このあたりは知っておいていただけるといいんじゃないかなっていうのが。 そうですね。本当はコーパス講座とかやるといいと思うんですけどね。ケルフ主催で。やりましたっけ?ケルフ主催でっていうのはなんかそういうのやってもいいかもしれないですね。そうですよね。どこかのタイミングで。 はい。コーパスについて今日はいろいろお語りました。英語史研究する場合も本当に使うようになってきたんですが、時代によってまた異なるコーパスとか、ジャンルもいろいろ細かく分かれているのもあれば、割と一般、ジェネラルを目指すものもあればということで、もう百科両覧って感じですよね。 非常に無料のものから有料で手に入れなければいけないものまでということで、たくさん出てますよね。こんなことでコーパスというツールについて一度ゆっくり語ってみたという回でした。質問に答えられるかわからないですが、何かコメント等ありましたらぜひ寄せていただければと思います。 コーパス談義といいますかね、付き合っていただきまして沖山寺沙さんありがとうございました。ありがとうございました。 # 関連過去回「#963. コーパスとは何か？」も必聴です📻 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。 いやー、たっぷりと3人でコーパス談義やりましたね。 コーパスとは何か、これを機にお機の皆さんにもじっくりとお考えいただきたいと思います。 言語学、英語学などでは、猫もシャクシもコーパスコーパスと言っているわけなんですけれども、 そもそもそれは何なのか、そしてどんな目的で、研究目的で余れているのか、作られているのかということですね。 これが分かると、いかにしてコーパスを使いこなすか、この問題にも当然関わってきますので、 基本的な議論というのはとても大事なんですね。今日お話したことは本質的な問題ばかりです。 コーパス、一体何なのか。これはですね、代表性の問題であるとか、いろいろとですね、立場があると思うんですね。 その意味では、一人一人コーパスなるものの定義、理想的なコーパスの定義というのも異なってくるんだろうと思われます。 これを機にですね、皆さんぜひ1回コーパス考えてみてください。そして今回、続コーパスとは何かだったんですが、第1弾のコーパスとは何か、 冒頭にも述べましたが、963回でお話ししています。こちらリンクを貼っておきますので、合わせてお聞きいただければと思います。 このチャンネル、英語の語源が身につくラジオヘルディオでは、あなたからの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けますと幸いです。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、英語子研究者のほったり打ちがお届けしました。 また明日!