2010-04-17 Sat
■ #355. COLT Word Frequency List による音節数の分布調査 [colt][syllable][lexicology][statistics]
昨日の記事[2010-04-16-1]で触れたように，COLT ベースの音節数分布調査をパイロット・スタディとして実施してみた．以下が結果．[2010-04-10-1], [2010-04-11-1]の BNC ベースの調査結果と比較するにはこちらのページへ．
BNC ベースの結果と比べて，100語，200語，500語，1000語（976語）のいずれのレベルでも，COLT のほうが平均音節数は少ない．1000語（976語）レベルで比べると，COLT は単音節語と二音節語だけで93%をカバーしているが，BNC はそのカバー率は約10%ほど少ない．口語コーパスに限定した COLT とそうでない BNC の差が関与していると考えられる．
2010-04-16 Fri
■ #354. COLT：ロンドンの十代の若者話し言葉コーパス [corpus][colt][lexicology][syllable]
少し変わり種のコーパスとして，COLT: The Bergen Corpus Of London Teenage Language を紹介する．1993年におけるロンドンの若者（13歳から17歳）の話し言葉を収集したコーパスで，約50万語からなる．31人のロンドン各地・各階層の男子女子の会話を，合計50時間だけ録音し，文字に起こしたものである．BNC ( The British National Corpus ) にも組み込まれているコーパスだ．語類情報や休止などの韻律情報がタグ付けされており，若者言葉によって先導される言語変化の調査や語用論的な研究において実績がある．
コーパス自体は有料だが，上記のHPから手に入る COLT による最頻1000語のリスト が目を引いた．COLT に現れる表記語 ( graphic word ) の最頻リストで，lemmatise されていない．要するに，do と did，laugh と laughing などは別々にカウントされている．
今回，このコーパスに目を付けたのは，先日[2010-04-10-1], [2010-04-11-1]でパイロット・スタディとしておこなった「BNC Word Frequency List による音節数の分布調査」の COLT 版を試してみようと思ったからである．BNC による音節数分布調査では，書き言葉と話し言葉の両方を対象とし，lemmatise された基底形 ( base form ) での頻度表を用いたが，COLT を用いれば，大きく異なった条件のもとで類似した調査をおこなうことができる（ COLT が BNC の一部になっていることを考慮しても）．具体的には，話し言葉に限定された，表記語に基づく頻度表をベースとして音節数の分布を調べられる．
注意を要するのは，COLT の頻度表には unclear, nv, singing など，地の文の語ではなくタグ名として使われている語もうっかり数えられてしまっていることだ．したがって，この種の語は手作業で除去し，最終的に有効最頻語976語のリストが得られた．これをもとにして，音節数の分布をいざ探ってみることにする．結果は，明日．
2010-04-11 Sun
■ #349. BNC Word Frequency List による音節数の分布調査 (2) [syllable][lexicology][bnc][statistics]
今回は，昨日の記事[2010-04-10-1]で扱った音節数に関するデータを，角度を変えて見てみたい．100語レベルから6000語レベルまでの各頻度レベルの数値を標準化して，単音節語から7音節音語までの相対頻度を比べられるようにしたものである．（数値データはこのページのHTMLソースを参照．）
昨日のグラフだけでは読み取りにくかったいくつかのポイントが見えてきた．
・ 対象語彙が大きくなればなるほど単音節語の比率は減少するが，1000語レベル以上からの減り幅は比較的小さい
・ 2音節語の比率は，1000語レベル以上ではほとんど変化していない
・ 500語レベル以上からは3音節語と4音節語が存在感を増してくる
・ とはいえ，2000語レベル以上からは相対的な分布の変化は小さく，全体として安定しつつあるように見える
2010-04-10 Sat
■ #348. BNC Word Frequency List による音節数の分布調査 [syllable][lexicology][bnc][statistics]
昨日の記事[2010-04-09-1]に続く話題．BNC Word Frequency List の6318語の見出し語化された ( lemmatised ) 最頻語リストを材料として，音節数の分布がどのようになっているかを調査してみた．
まずはリストを頻度順に眺めてみるだけで，ある程度の検討はついた．[2010-03-02-1]の記事「現代英語の基本語彙100語の起源と割合」からも明らかなとおり，最頻基本語にはゲルマン系の本来語が多い．このことは，単音節語が多いということにもつながる．しかし，リストを下って頻度のより低い語に目をやると，徐々に2音節語，3音節語が目につくようになってくる．したがって，頻度で上位どのくらいまでを対象にするかによって，音節数の相対的な分布は変わってくることが予想される．そこで，まず6318語すべての音節数を出した上で，最頻100語，200語，500語，1000語，2000語，3000語，4000語，5000語，6000語というレベルで音節数の分布を調査した．レベル間の比較が可能となるようにグラフ化したのが下図である．（数値データはこのページのHTMLソースを参照．）
このグラフからいくつかの興味深い事実を読み取ることができる．
・ どのレベルでも単音節語が最も多い
・ 対象語彙が大きくなればなるほど，2音節語数が単音節語数に肉薄する
・ 英語語彙の圧倒的多数が単音節語か2音節語である
・ 対象語彙が大きくなればなるほど，平均音節数が漸増する
・ いずれにせよ英単語の平均音節数はせいぜい2音節ほどである
今回は最頻約6000語レベルの語彙で調査したが，対象語彙をどんどん大きくしてゆくとどのような結果が出るのか，おおいに気になった．やがては2音節語が単音節語を追い抜き，平均音節数も漸増を続けるのだろうか？ あるいは平均音節数がこれ以上は変わらないという限界点が存在するのだろうか？ non-lemmatised な語彙リストを材料にすると平均音節数はどのくらい変化するのだろうか？ 次々に疑問が生じた．
ちなみに，最頻5000語レベルで初めて現れる7音節語が一つある．英語の平均音節数からすると異常に長い超多音節語だが，比較的よくお目にかかる単語ということになる．何であるか，想像できるだろうか？ 答えは，4657番目に現れる
telecommunication
（←クリック）である．なるほど?．
2010-04-09 Fri
■ #347. 英単語の平均音節数はどのくらいか？ [syllable][lexicology][compound][statistics]
ここ数ヶ月のあいだに取り組んでいる研究課題と関連して，標題の問いについて調査する必要が生じている．この問いの背後にある問題意識としては，単語の語源別の平均音節数を比較して，たとえば「ゲルマン系の単語はロマンス系の単語よりも○音節だけ短い」などという統計的な数値を得たいと思っているのだが，この問題は何段階かに分けてアプローチしてゆくのがよさそうである．標題の問いのままでは適切な問題設定とはいえないいくつかの理由がある．
一つは，言語学で最も悪名高い問題の一つである「単語とは何か」という問いに関係する．わかりやすい例として，合成語 ( compound ) を考えるとよい．school boy は1語なのだろうか，2語なのだろうか？ さらに，固有名詞の New York City はどうだろうか？ いずれも綴字上の慣習により複数の語とみなすこともできるが，一方で意味のまとまりとしては一つであるから1語だという理屈も成り立ちうる．kick the bucket のようなイディオムはどうだろうか？ [2010-02-07-1], [2010-02-08-1]で触れた crane のような多義語 ( polysemy ) は，語義ごとに別の語と考えることもできるのではないか？ 英単語の平均音節を考えるにあたっても，こうした基本的な問題は避けて通れない．
二つ目の理由は，英語語彙というときの範囲の問題である．OED には50万語ほどがエントリーされているが，辞書の保守性を考慮すると，実際にはその倍の語彙があるのではないかともいわれている．平均値を出すからには，理想的にはありったけの単語を考慮に入れることが必要である．となると，[2009-06-30-1]の記事でみた pneumonoultramicroscopicsilicovolcanoconiosis のような極端な語（19音節）も含めることになる．だが，そもそも現代英語語彙の総覧が存在しない以上，どこまで含めてどこから含めないかの判断は恣意的にならざるをえない．実際的な研究に際しては，どこかで強引に切る必要がある．
三つ目は，同一の語でも，変種によって1音節程度の増減が起こりうるという問題である．[2010-03-08-1]で触れたように，secretary は典型的な英米発音のあいだで音節数の揺れがある．もっとも，この問題は対象とする変種を定めてしまえば，上記の二つの問題ほど大きな問題にはならないかもしれない．
一つ目，二つ目の問題については当面の根本的な解決策はないが，そんなに難しいことを言っていては仕方がないというのも確かである．具体的に調査を進めてみようと思うと，[2010-03-01-1]で紹介した最頻英単語リスト辺りからスタートするのがよさそうである．ひとまずは，BNC Word Frequency List の6318語のリストから始めてみようと思う．
・ 齊藤 俊雄，中村 純作，赤野 一郎 編 『英語コーパス言語学?基礎と実践?』 研究社，1998年．110--13頁．
Powered by WinChalow1.0rc4 based on chalow
