corpus - hellog〜英語史ブログ

■ #1417. 群属格の発達 [genitive][clitic][synthesis_to_analysis][metanalysis][corpus][ppcme2][syntax]

　近代英語以降の apostrophe s は，名詞につく屈折接尾辞とみなすよりは，名詞句につく前接語 (enclitic) とみなすほうが正確である．というのは，the king of England's daughter のような群属格 (group genitive) としての用法が広く認められるからである．apostrophe s は，語に接続する純粋に形態的な単位というよりは，語群に接続する統語的な単位，すなわち接語 (clitic) とみなす必要がある．
　しかし，apostrophe s の起源と考えられる -es 語尾は，中英語以前には，確かに名詞につく屈折語尾だった．それが名詞句へ前接し，群属格を作る用法を得たのはなぜか．その契機は何だったのか．英語史でも盛んに議論されてきた問題である．
　一つの見方 (Janda) によれば，群属格への発展の途中段階で「#819. his 属格」 ([2011-07-25-1]) が媒介として作用したのではないかという．この説を単純化して示せば，(1) 属格語尾 -es と人称代名詞の男性単数属格 his とが無強勢で同音となる事実と，(2) 直前の名詞句を受ける代名詞としての his 属格の特性との2点が相俟って，次のような比例式が可能となったのではないかという．

king his doughter : king of England his doughter = kinges doughter : X
X = king of Englandes doughter

　しかし，Allen はこの説に同意しない．PPCME2 やその他の中英語テキストを走査し，関与するあらゆる例を検討した結果，his 属格が媒介となって群属格が生じたとする見解には，証拠上，数々の無理があるとする．Allen は，とりわけ，"attached genitive" （歴史的な -es 属格）と "separated genitive" （his 属格）との間に，統語環境に応じての分布上の差がないことを根拠に，中英語の his 属格は "just an orthographical variant of the inflection" (118) であると結論する．
　では，群属格の発達が his 属格を媒介としたものではなかったとすると，他にどのような契機がありえたのだろうか．Allen はその答えとして，"the gradual extension of the ending -es to all classes of nouns, making what used to be an inflection indistinguishable from a clitic" (120) を提案している．14世紀末までに属格語尾が一律に -(e)s を取り得るようになり，これがもはや屈折語尾としてではなく無変化の前接語と捉えられるに至ったのではないかという．また，最初期の群属格の例は，The grete god of Loves name (Chaucer, HF 1489) や þe kyng of Frances men (Trevisa's Polychronicon, VIII, 349.380) に見られるような，出自を示す of 句を伴った定型句であり，複合名詞とすら解釈できるような表現である．これが一塊と解され，その直後に所有を示す -(e)s がつくというのはまったく不思議ではない．
　さらに Allen は，16世紀後半から現われる his 属格と平行的な her 属格や their 属格については，すでに-(e)s による群属格が確立した後の異分析 (metanalysis) の結果であり，周辺的な表現にすぎないと見ている．この異分析を，"spelling pronunciation" ならぬ "spelling syntax" (124) と言及しているのが興味深い．
　Allen の結論部を引用しよう (124) ．

A closer examination of the relationship between case-marking syncretism and the rise of the 'group genitive' than has previously been carried out provides evidence that the increase in syncretism led to the reanalysis of -es as a clitic. There is evidence that this change of status from inflection to clitic was not accomplished all at once; inflectional genitives coexisted with the clitic genitive in late ME and the clitic seems to have attached to conjoined nouns and appositives before it attached to NPs which did not end in a possessor noun. The evidence strongly suggests that the separated genitive of ME did not serve as the model for the introduction of the group genitive, and I have suggested that the separated genitive was an orthographic variant of the inflectional genitive, but that after the group genitive was firmly established there were attempts to treat it as a genitive pronoun.

　Allen は Appendix I にて，Mustanoja (160) 等がhis 属格として挙げている古英語や中英語からの例（[2011-07-25-1]で挙げた例）の多くが疑わしい例であると論じている．
　なお，群属格については，Baugh and Cable (241) にも簡単な言及がある．

　・ Janda , Richard. "On the Decline of Declensional Systems: The Overall Loss of OE Nominal Case Inflections and the ME Reanalysis of -es as his." Papers from the Fourth International Conference on Historical Linguistics. Ed. Elizabeth C. Traugott, Rebecca Labrum, and Susan Shepherd. Amsterdam: John Benjamins, 243--52.
　・ Allen, Cynthia L. "The Origins of the 'Group Genitive' in English." Transactions of the Philological Society 95 (1997): 111--31.
　・ Mustanoja, T. F. A Middle English Syntax. Helsinki: Société Néophilologique, 1960.
　・ Baugh, Albert C. and Thomas Cable. A History of the English Language. 5th ed. London: Routledge, 2002.

[ 固定リンク | 印刷用ページ ]

■ #1416. shew と show (2) [spelling][corpus][ppcmbe][johnson][pronunciation_spelling]

　昨日の記事「#1414. shew と show (1)」 ([2013-03-12-1]) の続編．昨日は Helsinki Corpus を用いて初期近代英語期までの shew と show の分布を調査したが，今回は後期近代英語期における分布を PPCMBE (Penn Parsed Corpus of Modern British English; see [2010-03-03-1]) によって簡単に調査した．
　PPCMBE は，1700年から1914年までの総語数948,895語のコーパスである．これを約70年ずつの3期に分け，見出し語化された pos ファイル群を対象に検索することで shew 系列と show 系列の token 数を数え上げた．結果は以下の通り．

	shew 系列	show 系列	総語数
1700--1769	80	25	298,764
1770--1839	79	86	368,804
1840--1914	17	162	281,327

　大雑把な数え上げではあるが，第1期と第3期は明らかに分布に有意差が出る．1800年前後を境に形勢が逆転し，show が優勢になってきたことがわかるだろう．なぜ形勢が逆転したかという理由については，Johnson の Dictionary (1755) の記述が参考になる．"To SHOW" の見出しのもとに次のようにあるので，引用しておこう．

This word is frequently written shew; but since it is always pronounced and often written show, which is favoured likewise by the Dutch schowen, I have adjusted the orthography to the pronunciation.

　つまり，spelling_pronunciation ならぬ pronunciation_spelling の例ということになるのだろうか．show ほどの高頻度語でこのような一種の理性的な過程が作用したというのは不思議にも思えるが，中英語期以来，劣勢とはいえ show 系列が一応は行なわれていたという事実が背景にあったことは，確かに効いているだろう．

[ 固定リンク | 印刷用ページ ]

■ #1415. shew と show (1) [spelling][phonetics][corpus][hc][diphthong]

　動詞 show には古い異綴り shew がある．法律文書，聖書，詩などには見られるものの，現在では一般的にはあまりお目にかからない．しかし，shew は18世紀まで優勢な綴字であり，19世紀前半まで現役として活躍していたし，20世紀前半ですら目にすることがあった．OED "show, v." の語源欄の記述を参照しよう．

The spelling shew, prevalent in the 18th cent. and not uncommon in the first half of the 19th cent., is now obsolete exc. in legal documents. It represents the obsolete pronunciation (indicated by rhymes like view, true down to c1700) normally descending from the Old English scéaw- with falling diphthong. The present pronunciation, to which the present spelling corresponds, represents an Old English (? dialectal) sceāw- with a rising diphthong.

　この異綴りの由来は，古英語 scéawian (to look) の形態に由来する．語幹の2重母音が長母音へと滑化 (smoothing) する際に，もともと下降調2重母音であれば最初の母音が伸びて ē となり，上昇調2重母音であれば最後の母音が伸び，結果として ō となった．shew に連なる前者の系列では，規則的な音発達により，/ʃjuː/ が出力されるはずだが，show に連なる後者の系列の発音 /ʃoʊ/ に置換されることになった．近代後半までに綴字としては shew が優勢でありながら，発音としては show が一般化していたとことになる．なお，sew /soʊ/ も，これと平行的な発達の結果である．
　OED や語源辞書では，近代までは shew 系列が優勢だったということだが，劣勢だった show 系列の萌芽は中英語から確認される (cf. MED "sheuen (v.(1))") ．Helsinki Corpus により，中英語から近代英語までの shew vs show の通時的な分布を概観してみよう．（データファイルは "shew" and "show" in Helsinki Corpus を参照．）

	shew 系列	show 系列
M1	12	0
M2	36	2
M3	185	0
M4	207	7
E1	198	13
E2	113	15
E3	71	4

　確かに初期近代英語期までの通時的な傾向は明白である．だが，後期近代英語期以降の show の逆転劇については未調査なので，明日の記事で探ってみる．

[ 固定リンク | 印刷用ページ ]

■ #1413. 初期近代英語の3複現の -s [verb][conjugation][emode][corpus][ppceme][number][agreement][analogy][3pp]

　標記について Baugh and Cable (247) に触れられており，目を惹いた．3単現ならぬ3複現における -s は，中英語では珍しくない．中英語の北部方言では，「#790. 中英語方言における動詞屈折語尾の分布」 ([2011-06-26-1]) の下の地図で示したように，直説法3人称複数では -es が基本だった．しかし，初期近代英語の標準変種において3複現の -s が散見されるというのは不思議である．というのは，この時期の文学や公文書に反映される標準変種では，中英語の East Midland 方言の -e(n) が消失した結果としてのゼロ語尾が予想されるし，実際に分布として圧倒的だからだ．しかし，3複現の -s は確かに Shakespeare でも散見される．
　この問題について，Baugh and Cable (247) は次のように指摘している．

Their occurrence is also often attributed to the influence of the Northern dialect, but this explanation has been quite justly questioned, and it is suggested that they are due to analogy with the singular. While we are in some danger here of explaining ignotum per ignotius, we must admit that no better way of accounting for this peculiarity has been offered. And when we remember that a certain number of Southern plurals in -eth continued apparently in colloquial use, the alternation of -s with this -eth would be quite like the alternation of these endings in the singular. Only they were much less common. Plural forms in -s are occasionally found as late as the eighteenth century.

　ここで，3複現の -s が北部方言からの影響ではないとする Baugh and Cable の見解は，Wyld, History of Modern Colloquial English, p. 340 の言及に負っている．むしろ，この時期の3単現の -s 対 -th の交替が，複数にも類推的に飛び火した結果だろうと考えている．なお，Görlach (89) は，方言からきたものか単数からきたものか決めかねている．
　この問題を考察するにあたって，何はともあれ，初期近代英語において3複現の -s なり -th なりが具体的にどのくらいの頻度で現われるのかを確認しておく必要がある．そこで，The Penn-Helsinki Parsed Corpus of Early Modern English (PPCEME) によりざっと検索してみた．約180万語という規模のコーパスだが，3複現の -s の例は50件ほど，3複現の -th の例は60件ほどが挙がった（結果テキストファイルは左をクリック）．年代や文脈などの詳細な分析はしていないが，典型的な例を少し挙げておく．

　・ and all your children prayes you for your daly blessing.
　・ but the carving and battlements and towers looks well;
　・ then go to the pot where your earning bagges hangs,
　・ as our ioyes growes, We must remember still from whence it flowes,
　・ Ther growes smale Raysons that we call reysons of Corans,

　・ now here followeth the three Tables,
　・ And yf there be no God, from whence cometh good thynges?
　・ First I wold shewe that the instruccyons of this holy gospell perteyneth to the vniuersal chirche of chryst.
　・ and so the armes goith a sundre to the by crekes.
　・ And to this agreith the wordes of the Prophetes, as it is written.
　・ Also high browes and thicke betokeneth hardnes:

　・ Baugh, Albert C. and Thomas Cable. A History of the English Language. 5th ed. London: Routledge, 2002.
　・ Görlach, Manfred. Introduction to Early Modern English. Cambridge: CUP, 1991.

[ 固定リンク | 印刷用ページ ]

■ #1399. 初期中英語における between の異形態の分布 [laeme][corpus][preposition][me_dialect][methodology]

　「#1389. between の語源」 ([2013-02-14-1])，「#1393. between の歴史的異形態の豊富さ」([2013-02-18-1])，「#1394. between の異形態の分布の通時的変化」 ([2013-02-19-1]) に続いて，今回は LAEME を用いて通時的変化および方言別分布を調査した結果を報告する．
　Helsinki Corpus による通時的調査 ([2013-02-19-1]) の場合と同様に，多数の異形態をまとめるに当たって，語尾以外における母音の違いは無視し，第2音節以降の子音（と，もしあれば語尾の母音も）の種類と組み合わせに注目した．lexel に "between" を指定して取り出した例をもとに，241個のトークンを半世紀ごと，方言別に整理した（区分は[2012-10-10-1]の記事「#1262. The LAEME Corpus の代表性 (1)」で採用したものと同じ）．原データはこちらを参照．以下，最初に年代別，次に方言別の集計結果を掲げる．

PERIOD	nn	n	ne	x	xe	xn	xte	hn	he	tn	tx	txn	txe	ths	s	e	yn	zn	Sum
C12b	18	1	2	7	0	0	0	0	0	0	0	0	0	0	0	0	0	0	28
C13a	23	4	19	6	4	4	0	9	14	0	1	0	1	0	0	0	0	0	85
C13b	20	3	23	2	1	3	4	1	0	0	0	1	0	2	1	1	1	1	64
C14a	5	13	28	9	2	2	0	0	0	3	1	0	0	0	0	1	0	0	64
Sum	66	21	72	24	7	9	4	10	14	3	2	1	1	2	1	2	1	1	241

DIALECT	nn	n	ne	x	xe	xn	xte	hn	he	tn	tx	txn	txe	ths	s	e	yn	zn	Sum
N	0	0	1	9	2	2	0	0	0	0	1	0	0	0	0	0	0	0	15
NEM	14	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	14
NWM	7	0	6	0	0	0	0	8	14	0	0	0	0	2	0	0	0	0	37
SEM	14	20	9	5	0	0	0	0	0	3	0	1	0	0	0	0	0	0	52
SWM	31	1	26	7	5	7	0	2	0	0	1	0	1	0	1	0	1	1	84
SW	0	0	16	3	0	0	4	0	0	0	0	0	0	0	0	1	0	0	24
SE	0	0	14	0	0	0	0	0	0	0	0	0	0	0	0	1	0	0	15
Sum	66	21	72	24	7	9	4	10	14	3	2	1	1	2	1	2	1	1	241

　現代英語の between に連なる，n を含む最も普通のタイプが左3列に示されているが，bitweonen などの "nn" タイプは時代とともに "n" タイプや "ne" タイプに置換されてゆく様子がうかがえる．Mustanoja (369) は，"nn" タイプについて "The -en forms occur mainly in the more southern parts of the country" と記述しているが，実際には NEM や NWM にも現われている．つまり，"nn" タイプの分布は，方言の問題である以上に時代の問題である可能性がある．語尾の n の脱落がより北部で，かつ，より遅い時代に見られることは，予想できることだろう．
　n 系列には遠く及ばないが，bituix や bitƿixen などの x 系列の使用がこの時期に稀でないことは，Helsinki Corpus の調査結果と符合している．x 系列は N, SEM, SWM, SW に分布しており，間に挟まれた NEM, NWM には文証されない．この分布は妙だが，全体として例が十分に多くないために，North Midlands の現存テキストに現われる機会がなかったということかもしれない．近代英語期にかけて成長する t を付加した xte タイプは，初期中英語では C13b SW に bitwixte などの形態でわずかに現われるにとどまっている．
　bituhen や bituhe などの h 系列は，Helsinki Corpus によれば，古英語後期より一気に衰退したとのことだったが，LAEME によれば，初期中英語では C13a NWM に集中する形で生き残っていたようだ．しかし，その時までに衰退傾向は決定づけられていたと言えるだろう．
　今回の調査で感覚を得たが，（初期）中英語期に開始した，あるいは進行していると疑われる変化について調べるには，Helsinki Corpus で通時的変化を大づかみにした上で，LAEME を用いて，より細かい時代区分と方言の別を考慮して掘り下げてゆくのがよさそうだ．

[ 固定リンク | 印刷用ページ ]

■ #1394. between の異形態の分布の通時的変化 [hc][corpus][preposition]

　「#1389. between の語源」 ([2013-02-14-1]) 及び昨日の記事「#1393. between の歴史的異形態の豊富さ」([2013-02-18-1]) に引き続いての話題．between の歴史的な異形態の分布を，Helsinki Corpus でざっと調査してみた．調査の結果，全コーパスより between の形態として 97 types, 793 tokens が確認された．以下はその97種類の異形態，異綴りである．

be-twen, be-twene, be-twix, be-twyen, be-twyn, be-twyx, be-twyxe, betuen, betuene, betuh, betuih, betuixt, betun, betux, betuyx, betwe, between, betweene, betwen, betwenan, betwene, betweoh, betweohn, betweon, betweonan, betweonen, betweonon, betweonum, betweox, betweoxan, betwex, betwi, betwih, betwihn, betwinan, betwinum, betwioh, betwion, betwix, betwixe, betwixt, betwixte, betwixts, betwne, betwoex, betwonen, betwuh, betwux, betwuxn, betwyh, betwyn, betwynan, betwyne, betwyx, betwyxe, betwyxen, betwyxte, bi-tuine, bi-twen, bi-twene, bi-twenen, bi-tweohnen, bi-tweone, bi-tweonen, bi-twexst, bi-twext, bi-twihan, bi-twixst, bituen, bituene, bituhe, bituhen, bituhhe, bituhhen, bituien, bituih, bituin, bituix, bitunon, bitweies, bitwen, bitwene, bitwenen, bitwenenn, bitweon, bitweone, bitweonen, bitweonon, bitweonum, bitwex, bitwexe, bitwien, bitwih, bitwix, bitwixe, bitwixen, bitwyxe

　全793例の形態を一定の基準でまとめて集計するのは容易ではないが，今回は語尾以外における母音の違いは無視することにし，第2音節以降の子音（と，もしあれば語尾の母音も）の種類と組み合わせによって集計した．例えば，"nm", "nn", "x", "xt" というタイプは，それぞれ betweonum, betweonan, betwyx, betwixt などの形態を代表する．以下の表は，Helsinki Corpus における時代区分を参照し，例の挙がらなかった O1 （古英語第1期）の時期を除く10期における通時的変化を要約したものである．

	nm	nn	n	ne	x	xe	xn	xt	xte	xst	xts	h	hn	hnn	he	s	e	i	Sum
O2	14	1	0	0	13	0	1	0	0	0	0	31	4	0	0	0	0	0	64
O3	5	22	16	0	56	0	0	0	0	0	0	48	0	0	0	0	0	0	147
O4	1	15	3	0	22	0	0	0	0	0	0	3	0	0	0	0	0	0	44
M1	0	28	4	8	13	0	1	0	0	0	0	0	4	1	9	0	0	0	68
M2	0	1	5	32	1	1	1	0	0	0	0	0	0	0	0	1	0	0	42
M3	0	0	4	31	24	18	0	1	0	4	0	0	0	0	0	0	1	0	83
M4	0	0	4	11	25	6	2	1	6	0	0	0	0	0	0	0	0	1	56
E1	0	0	12	66	2	0	0	25	3	0	0	0	0	0	0	0	0	0	108
E2	0	0	23	44	0	0	0	31	6	0	0	0	0	0	0	0	0	0	104
E3	0	0	54	8	0	0	0	14	0	0	1	0	0	0	0	0	0	0	77
Sum	20	67	125	200	156	25	5	72	15	4	1	82	8	1	9	1	1	1	793

　現代の between に連なる n をもつ形態は，古英語から近代英語に至るまで一貫して主流派であることがわかる．betwix などの x 系列も，古英語から中英語まで n 系列に匹敵するほど頻用されているが，近代英語で xt 系列が出現するに及び，古くからの x 系列は影を潜めてゆく．h 系列は，古英語では盛んだったが，古英語末期から一気に衰退してゆく．
　中英語に関しては，方言による分布の差も調査する必要があるだろう．

[ 固定リンク | 印刷用ページ ]

■ #1356. 20世紀イギリス英語での government の数の一致 [bre][number][agreement][noun][syntax][corpus]

　昨日の記事「#1355. 20世紀イギリス英語で集合名詞の単数一致は増加したか？」 ([2013-01-11-1]) で取り上げた，Bauer の集合名詞の数の一致に関する調査について，紹介を続ける．The Times の社説のコーパスによる通時的な調査を通じて，Bauer は群を抜いて最頻の集合名詞である government が，20世紀の間に，数の一致に関して興味深い分布を示すことを発見した (Bauer 64--65) ．
　20世紀の前期には，government は複数一致が多いものの，従来から指摘されているとおり，とらえ方に応じて単複のあいだで変異を示していた．ところが，中期になると，単複一致の違いが指示対象の違いに対応するようになった．複数として用いられるときには英国政府を指し，単数として用いられるときには他国政府を指すという傾向が現われてくるというのだ．文法の問題というよりも，意味（指示対象）の問題へと移行したかのようだ．以下に，Bauer (64) の "Concord with government by meaning from The Times corpus, 1930--65" のデータを再掲しよう．

Year	British government		Non-British government
	Singular	Plural	Singular	Plural
1930	3	15	12	3
1935	2	13	1	12
1940	2	14	4	2
1945	2	7	2	2
1950	1	26	26	0
1955	2	2	8	0
1960	0	23	8	0
1965	1	13	4	1
Total	13	113	65	18

　1965年までにこの傾向が確立したが，その後，世紀の後期にかけて，今度は指示対象にかかわらず単数一致が増えてくる．government に関する限り，世紀の前期は notional variation，中期は semantic distinction，後期は grammatical preference for the singular と振る舞いを変化させてきたということになる．
　問うべきは，上記の20世紀中期の使い分けの傾向は社説以外のテキストタイプでも同様に見られるのだろうか，という問題だ．社説に government が高頻度で現われることは予想されたことだが，それだけに社説の言語において特殊な用法が発達したと疑うこともできるかもしれない．コーパスを広げて確認する必要があるだろう．

　・ Bauer, Laurie. Watching English Change: An Introduction to the Study of Linguistic Change in Standard Englishes in the Twentieth Century. Harlow: Longman, 1994.

[ 固定リンク | 印刷用ページ ]

■ #1355. 20世紀イギリス英語で集合名詞の単数一致は増加したか？ [bre][number][agreement][noun][syntax][corpus][americanisation]

　主語と動詞の数の一致については，「#930. a large number of people の数の一致」 ([2011-11-13-1]) ，「#1144. 現代英語における数の不一致の例」 ([2012-06-14-1]) ，「#1334. 中英語における名詞と動詞の数の不一致」 ([2012-12-21-1]) の記事で扱ってきた．一般に，現代英語において government や team などの集合名詞の数の一致は，アメリカ英語ではもっぱら単数で一致するが，イギリス英語ではとらえ方に応じて単数でも複数でも一致するとされる．この一般化は概して有効だが，数の一致に関して変異を示すイギリス英語についてみると，20世紀を通じて単数一致の傾向が強まってきているのではないかという指摘がある．Bauer (61--66) の The Times の社説を対象としたコーパス研究を紹介しよう．
　Bauer は，1900--1985年の The Times corpus の社説からなるコーパスを対象に，集合名詞が単数で一致する比率を求めた．Bauer は，本調査は The Times 紙の社説という非常に形式張った文体における調査であり，これが必ずしもイギリス英語全体を代表しているとはいえないと断わった上で，興味深いグラフを与えている．以下は，Bauer (63) のグラフから目検討で数値を読み出し，再作成したものである．



　回帰直線としてならせば，毎年0.3178%の割合での微増となっている．数値が安定しないことやコーパスの偏りなどの理由によりこの結果がどこまで信頼できるのかが問題となるが，Bauer は細かい情報を与えておらず，判断できないのが現状である．
　Bauer はさらに，コーパス内で最も頻度の高い集合名詞 government が特殊な振る舞いをすることに注目し，この語を除いた集合名詞について，単数一致の割合を再計算した．上のグラフと同じ要領で，Bauer (66) のグラフに基づいて下のグラフを再作成した．ならすと毎年0.1877%の割合での微増である．



　この結果は多くの点で仮の結果にとどまらざるを得ないように思われるが，少なくともさらに調査を進めてゆくためのスタート地点にはなるだろう．
　なお，Bauer は1930年代にこの傾向に拍車がかかったという事実を根拠に，アメリカ英語が影響を与えたと考えることはできないだろうとしている（[2011-08-26-1]の記事「#851. イギリス英語に対するアメリカ英語の影響は第2次世界大戦から」を参照）．
　government の数の一致に関するおもしろい振る舞いについては，明日の記事で紹介する．

　・ Bauer, Laurie. Watching English Change: An Introduction to the Study of Linguistic Change in Standard Englishes in the Twentieth Century. Harlow: Longman, 1994.

[ 固定リンク | 印刷用ページ ]

■ #1346. 付加疑問はどのくらいよく使われるか？ [interrogative][tag_question][ame_bre][corpus][frequency][statistics]

　現代英語の会話では，付加疑問がよく使われる．だが，具体的にどのくらいよく使われるのだろうか．そもそも一般的に疑問文はどのくらいの頻度で生起するのか．そのなかで，付加疑問はどれくらいの割合を占めるのか．このような疑問を抱いたら，まず当たるべきは Biber et al. の LGSWE である．
　最初の問題については，p. 211 に解答が与えられている．疑問符の数による粗い調査だが，CONV(ERSATION) では40語に1つ疑問符が含まれているという．会話コーパスでは，転写上，疑問符が控えめに反映されている可能性が高く，実際には数値以上の頻度で疑問文が生起しているはずである．テキストタイプでいえば，次に大きく差を開けられて FICT(ION) が続き，NEWS と ACAD(EMIC) では疑問文の頻度は限りなく低い．
　次に，各サブコーパスにおいて，疑問文全体における付加疑問の生起する割合はどのくらいか．p. 212 に掲載されている統計結果を以下のようにまとめた．各列を縦に足すと100%となる表である．

(* = 5%; ~ = less than 2.5%)		CONV	FICT	NEWS	ACAD
independent clause	wh-question	****	*******	*********	**********
	yes/no-question	*****	*****	*******	*******
	alternative question	~	~	~	~
	declarative question	**	*	~	~
fragments	wh-question	*	**	**	*
	other	***	***	*	*
tag	positive	*	~	~	~
	negative	****	*	~	~

　CONV において付加疑問の生起比率が高いことは当然のように予測されたが，同サブコーパスの疑問表現全体のなかで25%を占めるということは発見だった．そのなかでも，肯定の is it? よりも否定の isn't it? のタイプのほうがずっと多い．また，FICT が CONV におよそ準ずる分布を示すのは，フィクション内の会話部分の貢献だろう．一方，NEWS と ACAD で付加疑問の比率が低いのは，この表現と対話との結びつきを強く示唆するものである．また，この2つのサブコーパスでは，完全な独立節での疑問文，特に wh-question が相対的に多いのが注意を引く．
　付加疑問の生起比率に関心をもったのは，実は，Schmitt and Marsden (192) に次のような記述を見つけたからだった．

Tag questions (i.e., regular questioning expressions tagged onto a sentence) exist in both American and British English, with British speakers perhaps using them more than Americans: "That's not very nice, is it?" Peremptory and aggressive tags tend to be used more in British English than in American English: "Well, I don't know, do I?" (192)

　残念ながら，Biber et al. では付加疑問の頻度の英米差を確かめることはできない．別途，英米のコーパスで調べる必要があるだろう．

　・ Schmitt, Norbert, and Richard Marsden. Why Is English Like That? Ann Arbor, Mich.: U of Michigan P, 2006.
　・ Biber, Douglas, Stig Johansson, Geoffrey Leech, Susan Conrad, and Edward Finegan. Longman Grammar of Spoken and Written English. Harlow: Pearson Education, 1999.

[ 固定リンク | 印刷用ページ ]

■ #1325. 会話で否定形が多い理由 [corpus][negative][frequency]

　Cheshire (115) を読んでいて，現代英語に関する記述として，会話において否定形が多く使われるという言及に遭遇した．直感的には確かにそのように思われるが，客観的な裏付けはあるのだろうかと，LGSWE に当たってみた．すると，関連する記述が pp. 159--60 に見つかった．
　否定形にも様々な種類があるが，4つの使用域のそれぞれについて，コーパスを用いて "Distribution of not/n't v. other negative forms" を調査した結果が示されていた．100万語当たりの生起数を，グラフと表で示そう．

	not/n't	other negative forms
CONV	19500	2500
FICT	9500	4000
NEWS	4500	2000
ACAD	3500	1500

　会話で否定形が頻出する理由として，LGSWE は以下を挙げている．

　(1) 会話では他のレジスターよりも動詞が多い．否定は動詞と最も強く結びつくので，会話で否定が多いのは当然予想される．
　(2) 会話では他のレジスターよりも節が短く，多い．その分，否定の節も多くなることは当然予想される．
　(3) 会話では表現の反復が多い．否定形の反復もそれに含まれる．
　(4) 多重否定や付加疑問など，話しことばに典型的な否定構文というものがある．
　(5) not と強く共起する動詞があり，それらはとりわけ会話において頻度が高い．例えば，forget, know, mind, remember, think, want, worry などの心理動詞など．
　(6) 会話には相手がおり，意見の一致や不一致に関わる表現が多くなる．会話では，not のみならず no や他の否定辞も頻出する．

　CONV の次に FICT に否定形が多いのは，おそらくフィクションにおける対話部分が貢献しているからだろう．また，(1) については，会話には全体として動詞が多く生起するという事情も関与しているだろう．

　・ Cheshire, Jenny. "Double Negatives are Illogical." Language Myths. Ed. Laurie Bauer and Peter Trudgill. London: Penguin, 1998. 113--22.
　・ Biber, Douglas, Stig Johansson, Geoffrey Leech, Susan Conrad, and Edward Finegan. Longman Grammar of Spoken and Written English. Harlow: Pearson Education, 1999.

[ 固定リンク | 印刷用ページ ]

■ #1323. Helsinki Corpus の COCOA 検索 [cgi][web_service][hc][corpus]

　Helsinki Corpus (The Diachronic Part of the Helsinki Corpus of English Texts) は1991年に公開されて以来，英語歴史コーパスの元祖として重用されてきた．HC の役割は現在でも薄れておらず，本ブログでも「#381. oft と often の分布の通時的変化」 ([2010-05-13-1]) を始め，hc の各記事で言及してきた．
　HC を本格的に使いこなすには，こちらのマニュアルを熟読する必要がある．とりわけ時代別サブコーパスの語数は押さえておく必要があるし，COCOA Format による参照コードの理解も重要だ．COCOA Format は，HC のソーステキスト内にそのテキストに関する種々の情報を付与するための形式である．各テキストについて，その年代，方言，著者の性別，韻文か散文かなどの情報が，この形式により付与されている．使用者は，この情報を利用することにより，特定の条件を満たすテキストを選び出すことができるというわけだ．
　HC の COCOA 情報を利用した条件の絞り込みを簡便にするために，まず表形式にまとめ，それをデータベース化 (SQLite) した．

    

　以下，使用法の説明．SQL対応で，テーブル名は "hccocoa" として固定．select 文のみ有効．フィールドは26項目："ID", "A", "B", "C", "D", "E", "F", "G", "H", "I", "J", "K", "M", "N", "O", "P", "Q", "R", "S", "T", "U", "V", "W", "X", "Y", "Z"．各パラメータの意味は，以下の通り．また，各パラメータの取りうる値の詳細については，マニュアルを参照（あるいは，"select distinct C from hccocoa order by C" などと検索しても調べられる）．

A = "author"
B = "name of text file"
C = "part of corpus"
D = "dialect"
E = "participant relationship"
F = "foreign original"
G = "relationship to foreign original"
H = "social rank of author"
I = "setting"
J = "interaction"
K = "contemporaneity"
M = "date of manuscript"
N = "name of text"
O = "date of original"
P = "page"
Q = "text identifier"
R = "record"
S = "sample"
T = "text type"
U = "audience description"
V = "verse" or "prose"
W = "relationship to spoken language"
X = "sex of author"
Y = "age of author"
Z = "prototypical text category"

　典型的な検索式を例として挙げておく．

# 表全体を再現
select * from hccocoa

# 時代区分別のテキスト数
select C, count(*) from hccocoa group by C

# テキストタイプ別のテキスト数
select T, count(*) from hccocoa group by T

# ME に時代区分されているテキストの各種情報を一覧
select B, C, D, V from hccocoa where C like 'M%' order by C

[ 固定リンク | 印刷用ページ ]

■ #1322. ANC Frequency Extractor [cgi][web_service][frequency][corpus][anc]

　昨日の記事「#1321. BNC Frequency Extractor」 ([2012-12-08-1]) に引き続き，ANC (American National Corpus) に基づく頻度表がANC Second Release Frequency Data のページに公開されていたので，"ANC Frequency Extractor" を作成した．

    

　仕様は，"BNC Frequency Extractor" と少々異なる．データベースは SQLite で，select 文のみ有効というのは同様．テーブルは "anc" （コーパス全体），"written" （書き言葉コーパス），"spoken" （話し言葉コーパス) ，"token" (語形ごとの頻度と生起率）の4種類．フィールドは，"anc", "written", "spoken" の各テーブルについては，"word", "lemma", "pos", "freq" の4つ，"token" のテーブルについては，"word", "freq", "ratio" の3つである．POS-tag については，Penn Treebank Tagset を参照．
　以下に，検索式をいくつか挙げておこう．

# 書き言葉テキストで，英米差があるとされる "diarrhoea" vs. "diarrhea" の綴字の生起頻度を確認
select * from written where word like "diarrh%"

# 書き言葉テキストで，英米差があるとされる "judgement" vs. "judgment" の綴字の生起頻度を確認．（その他，[2009-12-27-1]の記事「#244. 綴字の英米差のリスト」の綴字を放り込んでゆくとおもしろい．）
select * from written where word like "judg%ment%"

# -ly で終わらない副詞を探す（flat adverb かもしれない例を探す）
select * from anc where lemma not like "%ly" and pos like "RB%"

# -s で終わる副詞を探す（adverbial genitive の名残かもしれない例を探す）
select * from anc where pos like "RB%" and word like "%s"

# 単数名詞と複数名詞の token 数の比較を written subcorpus と spoken subcorpus で（[2011-06-07-1]の記事「#771. 名詞の単数形と複数形の頻度」を参照）
select pos, sum(freq) from written where pos in ("NN", "NNS") group by pos
select pos, sum(freq) from spoken where pos in ("NN", "NNS") group by pos
select pos, sum(freq) from anc where pos in ("NN", "NNS") group by pos

　ANC は有料だが，そこから抜粋された OANC (Open American National Corpus) は無料．ANC 及び OANC については，「#708. Frequency Sorter CGI」 ([2011-04-05-1]) や「#509. Dracula に現れる whilst (2)」 ([2010-09-18-1]) を参照．
　"BNC Frequency Extractor" と "ANC Frequency Extractor" を組み合わせて使えば，語彙の英米差について頻度の観点から簡単に調査できる．

[ 固定リンク | 印刷用ページ ]

■ #1321. BNC Frequency Extractor [cgi][web_service][frequency][corpus][bnc]

　Adam Kilgarriff が公開している BNC database and word frequency lists から，見出し語化されていない頻度表 (unlemmatised lists) をダウンロードし，検索できるようにデータベースをこしらえた．

    

　仕様の説明．データベースには SQLite を用いており，SQL対応．select 文のみ有効．テーブルは "bnc" （コーパス全体），"written" （書き言葉コーパス），"demog" （'demographic' spoken material) ，"cg" ('context-governed' spoken material) ，"variances" （計算された分散その他の値を含む）の5種類．variances を除く4テーブルについては，フィールドは "freq" （頻度）, "word" （語形）, "pos" （品詞；BNC CLAWS POS-tags の一覧を参照）, "files" （その語形が生起しているテキスト数）の4つ．variances のテーブルについては，上記4フィールドに加えて，"mean" （= freq / files) ，"variance" （分散），"variance_to_mean" (= variance / mean) の3つが設定されている．variances の計算基準となっているサブコーパスは，5000語以上を含む書き言葉テキストということで，全体としては約1千万語（BNC全体の約1割）である．具体的には，"select * from bnc limit 10" や "select * from variances limit 10" などとすれば，データの格納のされ方を確かめることができる．
　以下に，典型的な検索式を挙げておこう．

# 書き言葉テキストで，英米差があるとされる "diarrhoea" vs. "diarrhea" の綴字の生起頻度を確認
select * from written where word like "diarrh%"

# s で始まる語形を分散の高い順に
select * from variances where word like "s%" order by variance desc limit 100

# 母音変異の複数形を示す語の単数形の頻度（cf. 「#708. Frequency Sorter CGI」([2011-04-05-1]) の例では lemma 検索だった）
select * from bnc where word in ("foot", "goose", "louse", "man", "mouse", "tooth", "woman") and pos = "nn1" order by freq desc

# 母音変異の複数形の頻度
select * from bnc where word in ("feet", "geese", "lice", "men", "mice", "teeth", "women") and pos = "nn2"

# POSでまとめて頻度の高い順に（話し言葉 'demog'）
select pos, sum(freq) from demog group by pos order by sum(freq) desc

# 最も広く多く使われる名詞
select * from variances where pos like "n%" order by variance desc limit 100

# 最も広く多く使われる形容詞
select * from variances where pos like "aj%" order by variance desc limit 100

　なお，見出し語化されている頻度表 (lemmatised list) については，頻度にして800回以上現われる，上位6318位までの見出し語のみに限定されており，その検索ツールは「#708. Frequency Sorter CGI」 ([2011-04-05-1]) として実装してある．関連して，「#956. COCA N-Gram Search」 ([2011-12-09-1]) も参照．

[ 固定リンク | 印刷用ページ ]

■ #1307. most と mest [analogy][superlative][vowel][me_dialect][corpus][hc][ppcme2][comparison]

　中英語には，最上級 most が mest という前舌母音字を伴って現われることが少なくない．近代英語以降，後者は廃れていったが，両形の起源と分岐はどこにあるのだろうか．
　most は Proto-Germanic *maistaz に遡ることができ，ゲルマン諸語では Du. meest, G meist, ON mestr, Goth. maists などで文証される．音韻規則に従えば，古英語形は māst となるはずであり，実際にこの形態は Northumbrian 方言で確認されるものの，南部方言では確認されない．南部では，前舌母音を伴う West-Saxon mǣst や Kentish mēst が用いられた．OED によれば，前舌母音形は，lǣst "least" との類推とされる．この前舌母音の系統が，主として mest(e) という形態で中英語の南部方言へも継承され，そこでは15世紀まで使われた．
　一方，北部方言に起源をもつ形態は，中英語では後舌母音の系統を発達させ，主として most(e) という形態が多用された．じきに中部，南部でも一般化したが，北部方言形の南下というこの時期の一般的な趨勢に加え，比較級 mo, more の母音との類推も一役買ったのではないかと想像される．
　結果的に，近代英語以降にはゲルマン祖語からの規則的な発達形 most が標準的となってゆき，古英語から中英語にかけて用いられた mest は標準からは失われていった．「一番先の」を意味する中英語 formest (cf. 比較級 former) が，15世紀に foremost として再分析された背景には，上述の most による mest の置換が関与しているかもしれない．もっとも，古英語より，最上級語尾の -est 自体が -ost とよく混同されたのであり，最上級に関わる形態論において，両母音の交替は常にあり得たことなのかもしれない．
　なお，PPCME2 でざっと後舌母音系統 (ex. most) と前舌母音系統 (ex. mest) の分布を調べてみると，前者が354例，後者が168例ヒットした．Helsinki Corpus でも簡単に調査したが，中英語でも現代標準英語と同様に most 系統が主流だったことは間違いないようだ．

[ 固定リンク | 印刷用ページ ]

■ #1305. 統語タグのついた Google Books Ngram Corpus [corpus][google_books][ame_bre]

　[2010-12-25-1]の記事「#607. Google Books Ngram Viewer」で紹介した Google 提供のコーパスツールに，統語タグが付けられた．インターフェースである Google Books Ngram Viewer の見かけは変わらないが，検索欄へ統語標識つきの検索式を入力できるようになった．その紹介と利用法は，Syntactic Annotations for the Google Books Ngram Corpus で参照できる．
　現在，Google Books Ngram Corpus は English, Spanish, French, German, Russian, Italian, Chinese, Hebrew の8言語のコーパスを含むが，英語コーパスに関する限り，4,541,627冊分，468,491,999,492 tokens からなる超巨大テキスト・データベースとなっている．データセットはこちらから入手可能．
　実装された統語タグは，具体的にいえば，品詞 (POS) と修飾関係 (head-modifier) である．標識付けは統計学的に自動で行なわれている．品詞は以下の12種類が区別される．

NOUN (nouns), VERB (verbs), ADJ (adjectives), ADV (adverbs), PRON (pronouns), DET (determiners and articles), ADP (prepositions and postpositions), NUM (numerals), CONJ (conjunctions), PRT (particles), '.' (punctuation marks), X (a catch-all for other categories such as abbreviations or foreign words)

　入力式としては，例えば "burnt" のように語形を入れることもできるし，"burnt_VERB" のように品詞を指定して入れることもできる．さらに 3-grams 以内の統語連鎖であれば "_ADJ_" のような一括指定も利用できる．以上のパターンを合わせて，"the _ADJ_ girl_NOUN" なども可能だ．修飾関係の指定では，"hair=>black", "read=>book" などと入力でき，冠詞やその他のノイズとなる要素をはじくことが可能となっている．
　名詞と動詞の用法を共有している語について，品詞別に頻度変化をみたい場合を考えよう．travel は名詞でも動詞でもあるが，英語コーパス全体を対象とした検索によれば，20世紀に入って名詞用法が動詞用法を追い抜いたことがわかる．ただし，対象コーパスをアメリカ英語とイギリス英語に切り替えて比較すると，後者で名詞が動詞を頻度の上で追い抜くのは1960年代とずっと遅い．
　ほかに，have a look 及び take a look という表現の拡大を調べようとする場合に，不定冠詞の後に形容詞などが挿入される可能性も考慮し，"have>=look, take>=look" などと検索してみた．アメリカ英語では take を用いた表現が1970年に追い抜いているが，イギリス英語では20世紀中に徐々に拡大こそしているが，いまだ have を用いた表現に追いついていない．

[ 固定リンク | 印刷用ページ ]

■ #1283. 共起性の計算法 [corpus][statistics][bnc][collocation][lltest]

　[2010-03-04-1]の記事「#311. girl とよく collocate する形容詞は何か」で，語と語の共起 (collocation) を測る計算法 (association measure) にはいくつかの種類があることを見た．コーパス言語学では，Log-Likelihood Test という検定にかかわる計算法が比較的よく使われているが，それぞれの計算法には特徴があるので，なるべく複数の方法を試すのがよい．今回は[2010-03-04-1]の内容と重複する部分もあるが，BNCweb で実装されている7種類の計算法の各々について Hoffmann et al. (149--58) を参照しながら，特徴および利用のヒントを示したい．
　各種の計算法は，(a) 共起頻度 (frequency of co-occurrence)，(b) 共起有意性 (significance of co-occurrence)，(c) エフェクト・サイズ (effect-size) の1つ，あるいは複数の組み合わせに基づいている．(b) は，共起が統計的に有意であるとの確信度を表わす指標であり，共起の強さを表わすものではないことに注意する必要がある．(c) は，観察頻度と期待頻度との比を計算の基本とする指標である．

　(1) Rank by frequency
　　観察される共起頻度そのものを用いる，最も単純で直感的な尺度．他の計算法のような複雑な統計処理はほどこされておらず，指標としては最も粗い．機能語や句読記号などが上位に来ることが多い．通常の共起分析には用いられない．

　(2) Log-likelihood
　　共起有意性を用いる．BNCweb のデフォルトの計算法で，コーパス研究で広く用いられている．機能語や句読記号などの極めて高頻度の語との共起や，逆に極めて低頻度の語（1, 2回など）との共起をはじく傾向がある．しかし，共起頻度の高い組み合わせに高得点を与えるという特徴があり，解釈には注意を要する．

　(3) Mutual information (MI)
　　エフェクト・サイズを用いる．非常によく用いられている計算法だが，利用に当たっては多くの注意を要する．機能語や句読記号などとのありふれた共起を効果的に排除してくれる点はよいが，反面，低頻度の共起表現への偏りが激しい．この偏りの影響を減じるために，BNCweb では "Freq(node, collocate) at least" を10以上に設定することが推奨される．これにより，"conspicuous and intuitively appealing collocations involving words of intermediate frequency" (Hoffmann et al. 154) が浮き彫りとなる．

　(4) T-score
　　共起頻度と共起有意性を考慮する計算法．期待頻度が1以下程度の稀な共起表現については Rank by frequency と似たような振る舞いをし，頻度の高い共起表現については共起有意性を反映した振る舞いをする．また，観察頻度が期待頻度よりも必ず高くなる．Log-likelihood と類似した結果となることが多いが，高頻度へのバイアスは一層強くなる．ノードそのものが1000回を大きく下回る場合に，効果を発揮することがある．

　(5) Z-score
　　共起有意性とエフェクト・サイズを考慮する計算法．高頻度の共起表現にはエフェクト・サイズをより重視するが，低頻度の共起表現にはそこまでエフェクト・サイズに寄りかからない．Log-likelihood と MI の両特徴を兼ね備えたような，バランスの取れた指標である．ただし，MI と同様に，低頻度の共起表現へのバイアスがみられるので，"Freq(node, collocate) at least" を5程度に設定するのがよいとされる．

　(6) MI3
　　共起頻度とエフェクト・サイズを考慮する計算法．MI のもつ低頻度表現への偏重を取り除くべく改善されている．低頻度共起表現にはエフェクト・サイズが，高頻度共起表現には共起頻度が，比較的よく反映される．POS による限定とともに用いると効果的．複数語からなる用語などの取り出しに威力を発揮する．しかし，全体としては高頻度共起表現へのバイアスが強く，一般的な共起分析には向かない．

　(7) Dice coefficient
　　MI3 と同様に，共起頻度とエフェクト・サイズを考慮する計算法．しかし，MI3と異なり，低頻度共起表現には共起頻度が，高頻度共起表現にはエフェクト・サイズがよく反映され，両者の切り替えが急なのが特徴的である．切り替えは，ノードそのものの頻度が共起表現の頻度の10倍ほどの点で起こるとされる．経験的に，Z-score と似たような結果が得られるが，Z-score ほど頻度に基づくバイアスが見られない．

　以上のように多種類あって目移りするが，Hoffmann et al. の見解によれば，単一基準の計算法としては Log-likelihood と MI がお勧めで，混合基準の計算法としては Z-score と Dice がお勧めとのことである．
　共起性の様々な計算法については，Association measures を参照．

　・ 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 ]

■ #1280. コーパスの代表性 [corpus][representativeness][variety][idiolect][methodology]

　コーパスにとって代表性 (representativeness) が命であることは，コーパスの定義上 ([2010-11-16-1]) あきらかであるし，昨日の記事「#1279. BNC の強みと弱み」 ([2012-10-28-1]) で紹介した Leech もとりわけ主張している点である．McEnery et al. (13) は，代表性について，Leech の定義を参考にしながら "a corpus is thought to be representative of the language variety it is supposed to represent if the findings based on its contents can be generalized to the said language variety" と述べている．
　代表性を具体的に考えてみよう．例えば BNC がターゲットとするような，現代イギリス英語という一般的な変種を収録するコーパス (general corpus) の代表性はどのようにすれば得られるのか，その理論化は難しい．話し言葉と書き言葉の割合の問題を考えると，それぞれを50%ずつに割り振ることは，現代イギリス英語の代表性を約束してくれるだろうか．Leech の表現でいえば "impressionistic" とならざるを得ないが，今この瞬間に行なわれている現代イギリス英語の圧倒的な部分が，話し言葉においてではないか．もしそうだとすれば，話し言葉コーパスの割合を，例えば80%ほどに設定するほうがより代表性を確保できるのではないか．母体となる現代イギリス英語の全体像を直接つかむことができない以上，その代表性の議論は行き詰まってしまう．
　コーパス（特に一般コーパス）の代表性という場合に，これを balance と sampling という2つの概念に分けて考えることがある．McEnery et al. (13) では，"the representativeness of most corpora is to a great extent determined by two factors: the range of genres included in a corpus (i.e. balance . . .) and how the text chunks for each genre are selected (i.e. sampling . . .)" と説明されている．
　balance とは，BNC の用語でいうところの domain や genre という分類の設定に関するものである．例えば，現代イギリス英語のコーパスを標榜しながらも，イギリスの新聞の英語だけを集めたコーパスは，representativeness の点で難がある．現代イギリス英語には書き言葉だけでなく話し言葉もあるし，前者については新聞英語だけでなく文学英語もあれば電子メール英語もあるし，買い物メモ英語もあれば，日記英語もある．これらのあらゆる domain や genre を考慮に入れたいと思うが，果たしていくつの text domain があるのだろうか．新聞英語に限っても，タブロイドもあれば高級紙もある．1つの新聞内でも，社会面，スポーツ面，社説などを区別する必要はないのか，社会面であれば国内記事と国際記事の区別はどうか，等々．理論的にはどこまでも細分化しうる．話し言葉でも同様に細分化を推し進めていけば，個人語 (idiolect) ，さらに個人語における register 別の現われ，などのアトムへと終着してしまう．実際のコーパス作成上は，常識的なレベルで妥協することになるが，「常識的」と "impressionistic" はほぼ同義だろう．
　sampling とは代表性を得るための手法である．母体の言語的特徴が再現されるように，質と量の点において考慮を加えながら，コーパス内に各 domain を案配するための理論と実践である．ここには，sampling unit として何を設定するか（典型的には，本，雑誌，新聞などの製品としての単位），そのような単位をリスト化する作業の範囲 (sampling frame) をどこまでに設定するか（特定の年への限定や，ベストセラー本への限定など），標本収集は完全なランダムにするかある程度の体系化を加えた上でのランダムにするか，著作権の問題をどう乗り越えるかなどの，理論的・実践的な問題が含まれる．
　代表性に関わるもう1つの概念として，closure あるいは saturation と呼ばれるものもある．McEnery et al. (16) によれば，"Closure/saturation for a particular linguistic feature (e.g. size of lexicon) of a variety of language (e.g. computer manuals) means that the feature appears to be finite or is subject to very limited variation beyond a certain point." と説明されている．平たくいえば，これ以上コーパスの規模を大きくしても，語彙構成の割合は変わらないという規模に到達すれば，そのコーパスは saturated であると考えられる．代表性の指標としては，balance よりも saturation のほうがすぐれているという指摘もあるが，saturation は主として語彙が念頭にあり，他の言語項目への応用は試みられていないのが現状である．
　代表性は，定義上コーパスの命であるとはいっても，定義先行というきらいはある．それを確保するための理論もないし，検証法もない．すべてのコーパス編纂者に立ちはだかる頭の痛い問題だろうが，コーパスは次々と編纂されている．理論的な問題は別にして，ひたすら編纂と使用を続けてゆき，ノウハウをため込むべき段階にあるのかもしれない．

　・ McEnery, Tony, Richard Xiao, and Yukio Tono. Corpus-Based Language Studies: An Advanced Resource Book. London: Routledge, 2006.

[ 固定リンク | 印刷用ページ ]

■ #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 ]

■ #1278. BNC を中心とするコーパス研究関連のリンク集 [corpus][bnc][link][web_service][lltest]

　コーパス言語学の勢いが止まらない．分野が分野だけに，関連情報はウェブ上で得られることが多く，便利なようにも思えるが，逆に情報が多すぎて，選択と判断に困る．せめて自分のためだけでも便利なリンク集をまとめておこうと思うのだが，学界のスピードについて行けない．私が最もよく用いる BNC に関連するものを中心に，断片的ではあるが，リンクを張る．リンク集をまとめる労を執るよりは，芋づる式にたどるかキーワード検索のほうが効率的という状況になりつつある・・・．
　
1. BNC インターフェース

　　・ BNCweb （要無料登録）
　　・ BYU-BNC （要無料登録）
　　・ BNC ( The British National Corpus )

2. BNC のレファレンス・ガイド

　　・ Quick Reference for Simple Query Syntax (PDF)
　　・ Reference Guide for the British National Corpus (XML Edition)
　　・ 上の Reference Guide の目次
　　　　* 6.5 Guidelines to the Wordclass Tagging
　　　　* The BNC Basic (C5) Tagset
　　　　* 9.8 Simplified Wordclass Tags
　　　　* 9.7 Contracted forms and multiwords
　　　　* 1 Design of the Corpus
　　　　* 9.6 Text and genre classification code

3. コーパス関連の総合サイト

　　・ David Lee による Bookmarks for Corpus-based Linguists
　　　　* Corpora, Collections, Data Archives
　　　　* Software, Tools, Frequency Lists, etc.
　　　　* References, Papers, Journals
　　　　* Conferences & Project

4. hellog 内の記事

　　・ 「#568. コーパスの定義と英語コーパス入門」: [2010-11-16-1]
　　・ 「#506. CoRD --- 英語歴史コーパスの情報センター」: [2010-09-15-1]
　　・ 「#308. 現代英語の最頻英単語リスト」: [2010-03-01-1]
　　・ コーパス関連記事: corpus
　　・ BNC 関連記事: bnc
　　・ COCA 関連記事: coca

5. 計算ツール

　　・ Corpus Frequency Wizard
　　・ Paul Rayson's Log-likelihood Calculator
　　・ VassarStats
　　・ hellog の「#711. Log-Likelihood Tester CGI, Ver. 2」: [2011-04-08-1]

　・ 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 ]

■ #1276. hereby, hereof, thereto, therewith, etc. [compounding][synthesis_to_analysis][adverb][register][corpus][bnc][hc]

　標題のような here や there を第1要素とし，前置詞を第2要素とする複合副詞は多数ある．これらは，here を this と，there を it や that と読み替えて，それを前置詞の後ろに回した句と意味的に等しく，標題の語はそれぞれ by this, of this, to that, with that ほどを意味する．現代では非常に形式張った響きがあるが，古英語から初期近代英語にかけてはよく使用され，その種類や頻度はむしろ増えていたほどである．だが，17世紀以降は急激に減ってゆき，現代のような限られた使用域 (register) へと追い込まれた．衰退の理由としては，英語の構造として典型的でないという点，つまり総合から分析への英語の自然な流れに反するという点が指摘されている (Rissanen 127) ．文法化した語として，現代まで固定された状態で受け継がれた語は，therefore のみといってよいだろう．
　現代英語で確認される使用域の偏りは，すでに中英語にも萌芽が見られる．here-, there- 複合語は，後期中英語ではいまだ普通に使われているが，ジャンルでみると法律文書での使用が際だっている．以下は，Rissanen (127) の Helsinki Corpus による調査結果である（数字は頻度，カッコ内の数字は1万語当たりの頻度を表わす）．

	Statutes	Other texts
ME4 (1420--1500)	68 (60)	621 (31)
EModE1 (1500--70)	77 (65)	503 (28)
EModE2 (1570--1640)	84 (71)	461 (26)
EModE3 (1640--1710)	126 (96)	191 (12)

　初期近代英語のあいだ，一般には問題の複合語の頻度は落ちているが，法律文書においては token 頻度が（そして，Rissanen, p. 128 によれば type 頻度も）増加していることに注意されたい．後の時代でも，法律文書における使用は続き，現代に至る．
　現代の分布については，独自に BNCweb で調べてみた．therefore を除く，hereabout, hereabouts, hereafter, hereby, herein, hereinafter, hereof, hereto, heretofore, hereupon, herewith, thereabout, thereabouts, thereafter, thereby, therefrom, therein, thereinafter, thereof, thereon, thereto, theretofore, thereunder, thereupon, therewith の25語について，Written Corpus に絞った上で，CQP syntax にて 「"(hereabout|hereabouts|hereafter|hereby|herein|hereinafter|hereof|hereto|heretofore|hereupon|herewith|thereabout|thereabouts|thereafter|thereby|therefrom|therein|thereinafter|thereof|thereon|thereto|theretofore|thereunder|thereupon|therewith)" %c」と検索した．出現頻度は 68.93 wpm で，散らばり具合は3140テキスト中の1522テキストである．
　次に，法律関係の文書を最も多く含んでいると想定されるジャンルとして「W:ac:polit_law_edu」に絞り，同じ検索式で結果を見ると，231.33 wpm で，186テキスト中の153テキストに出現する．なお，「W:admin」に絞ると，コーパスサイズはずっと小さくなるが，頻度は439.85 wpm となり，最頻出ジャンルであることがわかる．いずれにせよ，この種のジャンルで here-, there- 複合語が今なお頻繁に用いられていることは確かめられた．

　・ Rissanen, Matti. "Standardisation and the Language of Early Statutes." The Development of Standard English, 1300--1800. Ed. Laura Wright. Cambridge: CUP, 2000. 117--30.

[ 固定リンク | 印刷用ページ ]