hellog〜英語史ブログ / 2010-03-23

■ #330. Cobuild Concordance and Collocations Sampler [corpus][bnc][cobuild][collocation]

　本ブログでは，オンラインで利用できる現代英語のコーパスとして，簡便に使える BNC ( The British National Corpus )，より本格的に使える BNCWeb（要無料登録）を紹介してきた．BNC はその名の如くイギリス英語専門のコーパスで，ほぼ1975年以降の英語が約1億語おさめられている．そのうち9割は書き言葉，1割は話し言葉という構成である．現在オンラインで利用できる最大級の規模の英語コーパスである．
　規模だけでいえば，もっと大きな英語コーパスが存在する．常に拡大を続けるモニターコーパス The Bank of English であり，その規模は5億5000万語にまで達する．BNC と異なり，イギリス英語だけでなくアメリカ英語を含めた他の変種もカバーしている．
　このうちの一部，約5600万語が Cobuild Concordance and Collocations Sampler としてオンラインで無料で公開されている．コンコーダンス・ラインは40行まで，コロケーションのスコア・ランキングは100位までしか出力されない「デモ版」ではあるが，検索語に簡単なタグ指定ができるなど，手軽な目的であれば十分に使える仕様だろう（有料版 Collins WordbanksOnline もあり）．
　コロケーションのスコアとしては，T-score か MI ( Mutual Information ) かを選べる．[2010-03-04-1]でも触れたが，それぞれのスコアの特徴を簡単に述べる．

　・ MI (mutual information): 共起する2語が持つ意味的特性に焦点が当てられる傾向がある．慣用句，ことわざ，複合語，専門用語など独特の言い回しを構成する語に高い値が与えられる．コーパスのサイズに依存しない．3以上の値をもって collocate しているとみなせるといわれる．イメージとしては，連想ゲーム的な語と語の関係が明らかになると考えるとよい ( = lexical collocation )．低頻度語が強調される傾向があり，独特でおもしろい結果になることがある．

　・ T-score: collocation 強度そのものの指標というよりも，互いに関連があると言い切れる確信度の指標．コーパスのサイズが勘案されている．通常は，2以上の値でその collocation が統計的に有意とみなされる．特定の2語の共起頻度に焦点を当てるため，キーワードの前後に頻繁に生起する前置詞，不変化詞，人称代名詞，限定詞などの文法構造を満たすための語のほか，常套句や使い古されてしまった比喩，決まり文句などを構成する語が上位にランクインする．イメージとしては，主に文型や機能語の連語情報が明らかになると考えるとよい ( = grammatical collocation ) ．

　コンコーダンスやコロケーションの出力は，英語の研究や学習のためだけでなく，汎用の発想ツール，連想ツールとしても使える．例えば，octopus のコロケーションの MI 値を出してみると，上位に squid, dried, october などが現れる．味わい深い．

　・ 鷹家 秀史，須賀 廣　『実践コーパス言語学』　桐原ユニ，1998年．113--15頁．

[ 固定リンク | 印刷用ページ ]