hellog〜英語史ブログ / 2012-10-27

■ #1279. BNC の強みと弱み [bnc][corpus][representativeness]

　10月8--11日の4日間にわたり，立教大学英語教育研究所による主催で，Lancaster 大学名誉教授 Geoffrey Leech の公開講演会が開かれた．私は，2日目の "The British National Corpus: Both a Triumph and a Failure" と題する講演のみの参加だったが，聴きに行った．BNC 編者じきじきの作成秘話など，おもしろい話しが何点かあった．
　題名にある "triumph" と "failure" について，Leech はそれぞれ次のような項目を列挙していた．

A triumph:
　・ It has been claimed that the BNC is the most widely used corpus in the world.
　・ It was the first text corpus of its size to be made widely available.
　・ It is available from a wide range of different sources.
　・ It is widely regarded as a 'standard reference corpus' for the English language.
　・ It has been licensed to over 1300 institutions throughout the world, over 1800 users have signed on for access to it through the BNCweb online interface, etc.

A failure:
　・ It never reached 100 million words! (98,300,000)
　・ The design criteria were never totally achieved.
　・ It hardly ever contains complete texts.
　・ The spoken materials are poorly transcribed.
　・ The metadata are incomplete and can be erroneous.
　・ The part-of-speech tagging contains many errors.
　・ It is out of date! (dating from the late 20^th century)

　Leech の言葉の端々には，triumph の各点に示されているように，実績に裏付けされた自信がみなぎっていた．一方，自らのコーパス編集について，こうすればよかった，ああすればよかったという類の後悔ともいえる反省点を多く挙げていたのが印象的である．BNC のタグ付けに用いられたプログラム CLAWS4 の精度が97%ほどある（Hoffmann et al. 43 によると，98--99%）というのは，私は驚くべきことだと思っていたが，コーパス規模が大きいので数パーセントのエラーとはいっても約300万件にのぼるという事実は見落としていた．話しことばコーパスについては，コーパス全体の1割ほどしか含められなかったこと，音声データの transcription の質が悪かったこと，当初採用したデータフォーマット TEI が，話しことばのタグ付けには必ずしも適切でなかったこと，などを挙げていた．
　なかでも，企画段階から現在に至るまで一貫してこだわり続けている代表性 (representativeness) について，BNC では完全に目的を果たせなかったことに，後悔をにじませていた．企画段階から，設定する Text Domain のバランスやサイズに関する議論が重ねられてきたことはよく知られている．1ユーザーとしては，限られたリソースのなかで，あれだけの代表性を確保したことは偉業だと評価しているが，Leech にとっては，できる限りのことはやったという自負の反面として，理想が果たせなかったという思いも強いようだ．同時に，穏やかな口調ではあったが，BNC と比較される他のすべての大規模コーパスが，代表性をさほど重視していない点を批判していた．ただし，彼自身が述べているように，コーパスの代表性について独自の理論はもっているが，最終的には "impressionistic" な判断の問題だと考えているようであり，この問題の難しさをにじませていた．いずれにせよ，Leech の代表性への執念の強さに，高度なプロフェッショナリズムを感じた．
　なお，[2012-07-05-1]の記事「#1165. 英国でコーパス研究が盛んになった背景」で触れた通り，残念ながらBNCの続編はないだろうということを，Leech は明言していた．
　扱う時代は大きく異なるが，初期中英語コーパス The LAEME Corpus の代表性の問題について，[2012-10-10-1], [2012-10-11-1]の記事で考察したので，ご参照を．

　・ Hoffmann, Sebastian, Stefan Evert, Nicholas Smith, David Lee, and Ylva Berglund Prytz. Corpus Linguistics with BNCweb : A Practical Guide. Frankfurt am Main: Peter Lang, 2008.

[ 固定リンク | 印刷用ページ ]