hellog〜英語史ブログ / 2010-07-31

■ #460. OANC ( Open American National Corpus ) [corpus][oanc][ame]

　BNC ( The British National Corpus ) のアメリカ英語版で ANC ( American National Corpus ) の作成プロジェクトが進行中である．1990年以降のアメリカ英語の multi-genre corpus で，完成時には BNC に匹敵する1億語以上のコーパスとなる予定とのこと．現時点では2200万語規模のものが Second Release として有料にて入手可能．
　一方で，フリーで利用できる約1500万語のサブコーパス OANC (Open ANC) も公開されており，話し言葉が300万語強，書き言葉が1100万語強という構成だ．こちらは316MBほどでダウンロード可能．展開するとデータだけでも5GBほどある．データ変換ツールとして Java で動くプログラムが ANC Software からダウンロードできる．
　ANC のエンコード方式はこちらに説明があるとおり，XCES Markup for Standoff Annotation という方式に従っており，テキスト本体と各種 annotation が別々のファイルに収められているのが特徴である．XCESをサポートしていないコンコーダンサーで OANC を扱うには，例えば Xaira 形式や WordSmith 形式などへデータを変換しなければならない．前者にはこちらの解説のとおりに Xaira 付属のインデクサーを用いる．後者は ANCTool のディレクトリで "java -jar ANCTool-xxxx.jar" と走らせれば，あとはGUIウィザードになっているので指示に従えばよい．データの量がものすごいので，時間がかかった．
　現代アメリカ英語の他のコーパスとしては，Mark Davies 提供のウェブ上で利用できる Corpus of Contemporary American English (COCA) などがある．こちらは1990--2009年の4億語強のコーパスだ．Mark Davies によるその他のオンライン・コーパスも要参照．

[ 固定リンク | 印刷用ページ ]