statistics - hellog〜英語史ブログ

■ #3789. 古英語語彙におけるラテン借用語比率は1.75% [latin][loan_word][borrowing][oe][lexicology][statistics]

　英語語源学の第一人者 Durkin によれば，古英語期までに英語に借用されたラテン単語の数は，少なくとも600語はあるという．650年辺りを境に，前期に300語ほど，後期に300語ほどという見立てである．この600という数字を古英語語彙全体から眺めてみると，1.75%という割合がはじき出される．しかし，これらのラテン借用語単体ではなく，それに基づいて作られた合成語や派生語までを考慮に入れると，古英語語彙における割合は4.5%に跳ね上がる．Durkin (100) の解説を引用しよう．

If we take an estimate of at least 600 words borrowed (immediately) from Latin, and a total of around 34,000 words in Old English, then, conservatively, around 1.75% of the total are borrowed from Latin. If we include all compounds and derivatives formed on Latin loanwords in Old English, then the total of Latin-derived vocabulary probably comes closer to 4.5% . . . , although this figure may be a little too high, since estimates of the total size of the Old English vocabulary (native and borrowed) probably rather underestimate the numbers of compounds and derivatives.

　この数値をどう評価するかは視点の取り方次第である．後の歴史における英語の語彙借用の規模とその影響を考えれば，この段階でのラテン借用語の割合など，取るに足りない数字にみえるだろう．一方，これこそが英語の語彙借用の歴史の第一歩であるとみるならば，いわば0%から出発した借用語の比率が，すでに古英語期中に1.75%（あるいは4.5%）に達しているというのは，ある程度著しい現象であるといえなくもない．さらにいえば，その多くが千数百年を隔てた現代英語にも残っており，日常語として用いられているものも目立つのである（昨日の記事「#3788. 古英語期以前のラテン借用語の意外な日常性」 ([2019-09-10-1]) を参照）．
　古英語のラテン借用語については英語史研究においてもさほど注目されてきたわけではないが，見方を変えれば十分に魅力的なトピックになりそうだ．

　・ Durkin, Philip. Borrowed Words: A History of Loanwords in English. Oxford: OUP, 2014.

[ 固定リンク | 印刷用ページ ]

■ #3788. 古英語期以前のラテン借用語の意外な日常性 [latin][loan_word][oe][lexicology][lexical_stratification][statistics][borrowing]

　昨日の記事「#3787. 650年辺りを境とする，その前後のラテン借用語の特質」 ([2019-09-09-1]) で触れたように，古英語期以前，とりわけ650年より前に入ってきた最初期のラテン借用語には，現在でも日常的に用いられているものが多い．「#334. 英語語彙の三層構造」 ([2010-03-27-1]) などで見てきたように，ラテン借用語にはレベルの高い単語が多いのは事実だが，古英語期以前の借用語に関していえば，そのステレオタイプは必ずしも事実を表わしていない．
　Durkin (138--39) による興味深い数値がある．Durkin は，「#3400. 英語の中核語彙に借用語がどれだけ入り込んでいるか？」 ([2018-08-18-1]) でも示したとおり，"Leipzig-Jakarta list of basic vocabulary" と呼ばれる通言語的に最も基本的な意味を担う100語を現代英語から取り出し，そのなかにどれほど借用語が含まれているかを調査してみた．結果としては，ラテン借用語についていえば，そこには1語も含まれていなかった．
　しかし，別途 "the WOLD survey" による1,460個の基本的な意味項目からなる日常語リストで調査してみると，137語ほど（およそ10%）が古英語期以前に借用されたラテン借用語と認定されるものだった．しかも，それらの単語は，24個設けられている意味のカテゴリーのうち，"Kinship", "Quantity", "Miscellaneous function words" を除く21個のカテゴリーにわたって見出されるという．つまり，英語史上，最初期に入ってきたラテン借用語は，広い分野にわたり日常的に用いられる英語の語彙の少なからぬ部分を構成しているというわけだ．古英語の形で具体例をいくつか挙げておこう．

　・ butere "butter"
　・ ele "oil"
　・ cyċene "kitchen"
　・ ċȳse, ċēse "cheese"
　・ wīn "wine" (and its compounds)
　・ sæterndæġ "Saturday"
　・ mūl "mule"
　・ ancor "anchor"
　・ līn "line, continuous length"
　・ mylen (and its compounds) "mill"
　・ scōl, sċolu (and the compound leornungscōl) "school"
　・ weall "wall"
　・ pīpe "pipe, tube"
　・ pīle "mortar"
　・ disċ "plate/platter/bowel/dish"
　・ candel "lamp, lantern, candle"
　・ torr "tower"
　・ prēost and sācerd "priest"
　・ port "harbour"
　・ munt "mountain or hill"

　このようにラテン借用語のなかには意外と多く「基本語彙」もあることを銘記しておきたい．関連して，基本語彙の各記事も参照．

　・ Durkin, Philip. Borrowed Words: A History of Loanwords in English. Oxford: OUP, 2014.

[ 固定リンク | 印刷用ページ ]

■ #3756. アイルランド語からの借用語の年代別分布 [loan_word][irish][celtic][statistics][lexicology]

　連日ケルト関係の話題を続けているが，「#3740. ケルト諸語からの借用語」 ([2019-07-24-1])，「#3750. ケルト諸語からの借用語 (2)」 ([2019-08-03-1])，「#3749. ケルト諸語からの借用語に関連する語源学の難しさ」 ([2019-08-02-1])，「#3753. 英仏語におけるケルト借用語の比較・対照」 ([2019-08-06-1]) に引き続き借用語の話題．
　Durkin の OED3 を用いた調査によれば，英語に少なからぬ語彙的影響を与えた上位25位の言語のなかで，ケルト系諸語としてはアイルランド語のみがランクインするという．そこで，借用元言語としてアイルランド語にターゲットを絞って，借用語数を年代別にプロットしたのが次のグラフである (Durkin 94) ．OED3 の A--ALZ, M--RZ の部分のみを対象とした調査である．



　19世紀前半に借用語数のピークが来ているが，同時期の全借用語における割合でみれば0.2%を越える程度であり，著しいわけではない．多少のデコボコはあるにせよ，アイルランド借用語は常に目立たない存在であったことがわかる．考察範囲をケルト諸語全体に広げてみても，事情は変わらないだろう．関連して他の言語からの借用語の分布も比べてもらいたい．

　・ 「#114. 初期近代英語の借用語の起源と割合」 ([2009-08-19-1])
　・ 「#117. フランス借用語の年代別分布」 ([2009-08-22-1])
　・ 「#874. 現代英語の新語におけるソース言語の分布」 ([2011-09-18-1])
　・ 「#2162. OED によるフランス語・ラテン語からの借用語の推移」 ([2015-03-29-1])
　・ 「#2164. 英語史であまり目立たないドイツ語からの借用」 ([2015-03-31-1])
　・ 「#2165. 20世紀後半の借用語ソース」 ([2015-04-01-1])
　・ 「#2369. 英語史におけるイタリア語，スペイン語，ポルトガル語からの語彙借用の歴史」 ([2015-10-22-1])
　・ 「#2385. OED による，古典語およびロマンス諸語からの借用語彙の統計 (2)」 ([2015-11-07-1])
　・ 「#2646. オランダ借用語に関する統計」 ([2016-07-25-1])

　・ Durkin, Philip. Borrowed Words: A History of Loanwords in English. Oxford: OUP, 2014.

[ 固定リンク | 印刷用ページ ]

■ #3421. 英語ことわざの文体・語彙的特徴を示す統計値 [proverb][statistics][corpus][stylistics]

　「#3419. 英語ことわざのキーワード」 ([2018-09-06-1]) と「#3420. キーワードを含む英語ことわざ」 ([2018-09-07-1]) に引き続き，英語ことわざの話題．安藤邦男（著）『ことわざから探る　英米人の知恵と考え方』の紹介ページより取り出した866件の英語ことわざについて，その文体的・語彙的な特徴を数字で示してみたい．特徴を浮き彫りにするには，英語ことわざコーパスを，より大きな一般的なコーパスと比較する必要があるので，昨日と同様に100万語規模の British English 06 (BE06) を使用した．結果として，次のような基本的な統計値が得られた．  *  *

Corpus	Proverbs	BE06
tokens (running words) in text	6,276	1,011,020
types (distinct words)	1,616	45,298
type/token ratio (TTR)	25.75	4.48
standardised TTR	45.25	43.90
STTR std.dev.	46.42	54.62
STTR basis	1,000	1,000
mean word length (in characters)	4.09	4.69
word length std.dev.	1.92	2.58
sentences	869	53,466
mean (in words)	7.22	18.91
std.dev.	2.86	14.38
1-letter words	292	38,775
2-letter words	1,020	168,273
3-letter words	1,345	205,211
4-letter words	1,370	166,961
5-letter words	996	110,856
6-letter words	553	88,195
7-letter words	359	79,174
8-letter words	163	56,645
9-letter words	96	39,767
10-letter words	53	26,170
11-letter words	17	15,493
12-letter words	6	8,208
13-letter words	4	4,557
14-letter words	1	1,687
15-letter words	1	623

　見るべき点として，まず "type/token ratio" を指摘しておこう．この数値が高いほど，コーパス内で異なる語が多く用いられていると解釈できる．純粋に数値を見ると，一般コーパスよりもことわざコーパスのほうが高い値を示しており，語彙が多様であると解釈できそうだが，「#2336. Text Analyser --- 簡易テキスト統計分析器」 ([2015-09-19-1]) で示したように，コーパスサイズが互いに大きく異なるので，この指標単独ではそれほど情報量はない．
　"mean word length" と "word length std.dev." は1語当たりの文字数である．両コーパス間の違いはそれほど大きくないが，示唆的ではある．ことわざコーパスのほうが一般コーパスよりも，より短い綴字の単語を好むと解釈できるが，どんなものだろうか．確かに，いたずらに長い単語は一般コーパスよりも出にくいようには感じられる．
　最もなるほどと感じさせられるのは，1文がいくつの単語から成り立っているかを示す "mean (in words)" とその "std.dev." だろう．これらの数値もコーパスサイズに依存するとはいえ，ことわざでは平均して7.22語，一般では18.91語というのは，差が歴然としている．標準偏差も合わせて考えると，ことわざを構成する1文は全体的に短いことが分かる．「短く，語呂がよくてなんぼ」というのが，ある意味ではことわざの形式的な特徴でもあるから，この結果はまったく不思議ではないが，こうして客観的に数値を目の当たりにするとおもしろい．

　・ 安藤 邦男　『ことわざから探る　英米人の知恵と考え方』　開拓社，2018年．

[ 固定リンク | 印刷用ページ ]

■ #3419. 英語ことわざのキーワード [proverb][keyword][statistics][corpus]

　今年6月に開拓社より出版された安藤邦男（著）『ことわざから探る　英米人の知恵と考え方』の紹介ページに，同著で言及された英語ことわざの索引や，その他の関連するリストが公開されている．こちらから英語のことわざ866件を取り出し，簡単にキーワード分析してみた．  *
　一般的な参照コーパスとして，British English 06 (BE06) を指定した．このコーパスについては「#1730. AmE-BrE 2006 Frequency Comparer」 ([2014-01-21-1]) で紹介しているが，端的にいえば2006年（頃）に出版されたイギリス英語の諸テキストからなる100万語規模のコーパスである．計算の結果，キーワード度数の高かった順に50の単語を挙げよう．  *

is, makes, good, man, cannot, a, never, you, love, wise, better, thief, devil, ill, than, fool, horse, no, truth, fortune, sweet, adversity, evil, make, shall, travels, friend, every, don't, beauty, knows, not, money, neighbor, speak, words, will, worth, fair, hath, best, blind, deceives, dog, longest, comes, honor, man's, great, bread

　上位語には機能語も多く入っているが，ことわざの文体の雰囲気をよく示しているように思われ，興味深い．cannot, never, you, than, no, shall, every, don't, not, hath などは，いかにもことわざと似合う機能語である．
　それに劣らず内容語のラインナップもおもしろい．動詞では make, know, deceive というのがいかにもだし，名詞では man, thief, devil, fool, horse, truth, fortune, adversity, evil, friend, beauty, money, neighbor, words, dog, honor, bread など，思わず首肯してしまうものばかりだ．形容詞や副詞では，good, better, best, ill はもちろんのこと，wise, fair, blind, longest などには納得させられる．善悪，真偽，賢愚の対比や比較により，道徳上・生活上の知恵を授けるという英語ことわざの本質が見えてくるようなキーワードだ．
　このような文体に関わるキーワード分析は，極めて客観的でありながら，往々にして直観に適う結果が出る（あるいはそれ以上に発見がある）という点でおもしろい．ほかにも，「いかにもなキーワード」シリーズの記事として，「#317. 拙著で自分マイニング（キーワード編）」 ([2010-03-10-1])，「#518. Singapore English のキーワードを抽出」 ([2010-09-27-1])，「#880. いかにもイギリス英語，いかにもアメリカ英語の単語」 ([2011-09-24-1])，「#2332. EEBO のキーワードを抽出」 ([2015-09-15-1]) を参照．歴史英語の通時的なキーワード分析については，初期中英語コーパス LAEME を利用した Hotta (2013) 論文もある．

　・ 安藤 邦男　『ことわざから探る　英米人の知恵と考え方』　開拓社，2018年．
　・ Hotta, Ryuichi. "Representativeness, Word Frequency, and Keywords in the LAEME Corpus." Journal of the Faculty of Letters: Language, Literature and Culture 112 (2013): 67--84.

[ 固定リンク | 印刷用ページ ]

■ #3400. 英語の中核語彙に借用語がどれだけ入り込んでいるか？ [loan_word][borrowing][lexicology][semantics][oed][htoed][statistics]

　英語語彙における借用語の割合が高いことは，本ブログの多くの記事で取り上げてきた．この事実に関してとりわけ注目すべき質的な特徴として，借用語が基本語彙にまで入り込んできているという点が挙げられる（例えば「#2625. 古ノルド語からの借用語の日常性」 ([2016-07-04-1]) を参照）．諸言語の比較研究によれば，借用語が基本語彙に入り込むという事例は，非常に稀かといえばそうでもなく，ある程度は観察されるのも事実であり，従来しばしば指摘されてきたように，英語がきわめて特異であると評価することはもはやできない．とはいえ，そのような事例が通言語的には "unusual" (Durkin 391) であるというのも傾向としては確かである．
　Durkin は，標記の問いに答えるべく OED と HTOED を用いて実証的な調査を行なった．まず，'Leipzig-Jakarta list of basic vocabulary' と呼ばれる通言語的に有効とされる基本語彙のリストを参照し，そこから100の核心的な意味を取り出す．次に，その各々の意味が，英語語彙史においてどのような単語（群）によって担われてきたかを両辞書によって同定し，その単語の語源情報（借用語か否かなどの詳細）を記録・整理していく．そして，現在，借用語が100の核心的な意味のどれくらいをカバーしているのかを割り出す．その結果は，Durkin (392) によれば次の通り．

To summarize the results of this exercise very briefly . . ., looking in detail at the 100-meaning 'Leipzig-Jakarta list of basic vocabulary' in this way suggests that, while only twenty-two of these meanings appear never to have been realized by a loanword in the data of the OED as summarized in the HTOED, there are only twelve cases where a good case can be made for a loanword being the usual realization of the relevant core meaning in contemporary English:

   (from early Scandinavian): root, wing, hit, leg, egg, give, skin, take; (from French): carry, soil, cry, (probably) crush

　見方を変えれば，100の核心的な意味のうち78までが，部分的であれ何らかの借用語によって担われているということだ．ここから，借用語が幅広く核心的な意味領域を覆っているということが分かる．しかし，その借用語が，そのような核心的な意味領域を表わす単語群のなかでも典型的・代表的な語であるかどうかは別問題であり，そのような数え方をすると，上記の12語ほどに限定されるということだ．
　もっとも，語彙や意味について何をもって「核心」や「基本」とみなすのかは難しい問題であり，それによって結果の数値も変わり得ることはいうまでもない．この問題その他について，以下のような記事で様々に取り上げてきたので参照を．

　・ 「#1128. glottochronology」 ([2012-05-29-1])
　・ 「#1961. 基本レベル範疇」 ([2014-09-09-1])
　・ 「#1965. 普遍的な語彙素」 ([2014-09-13-1])
　・ 「#1970. 多義性と頻度の相関関係」 ([2014-09-18-1])
　・ 「#2659. glottochronology と lexicostatistics」 ([2016-08-07-1])
　・ 「#2660. glottochronology と基本語彙」 ([2016-08-08-1])
　・ 「#2661. Swadesh (1952) の選んだ言語年代学用の200語」 ([2016-08-09-1])

　・ 「#308. 現代英語の最頻英単語リスト」 ([2010-03-01-1])
　・ 「#202. 現代英語の基本語彙600語の起源と割合」 ([2009-11-15-1])
　・ 「#429. 現代英語の最頻語彙10000語の起源と割合」 ([2010-06-30-1])
　・ 「#845. 現代英語の語彙の起源と割合」 ([2011-08-20-1])
　・ 「#1202. 現代英語の語彙の起源と割合 (2)」 ([2012-08-11-1])

　・ Durkin, Philip. "The OED and HTOED as Tools in Practical Research: A Test Case Examining the Impact of Loanwords in Areas of the Core Lexicon." The Cambridge Handbook of English Historical Linguistics. Ed. Merja Kytö and Päivi Pahta. Cambridge: CUP, 2016. 390--407.

[ 固定リンク | 印刷用ページ ]

■ #3372. 古英語と中英語の資料の制約について数点のメモ [oe][me][philology][manuscript][statistics][representativeness][methodology][evidence]

　「#1264. 歴史言語学の限界と，その克服への道」 ([2012-10-12-1])，「#2865. 生き残りやすい言語証拠，消えやすい言語証拠――化石生成学からのヒント」 ([2017-03-01-1]) で取り上げてきたが，歴史言語学には資料の限界という，いかんともしがたい問題がある．質量ともに望むほどのものが残っていてくれないのが現実である．児馬 (29) は，『歴史言語学』のなかの「古英語資料の留意点：量的・質的制約」という節において次のように述べている．

歴史言語学では現存する資料が最重要であることはいうまでもない．現代の言語を研究対象とするのであれば，文字資料・録音資料に加えて，話者の言語直観・内省などの言語心理学的資料も含めて実に豊富な資料を使えるのであるが，歴史言語学ではそうは簡単にならない．古い時代の資料を使うことが多い分野なので，この種の限界は当然のように思えるが，実際は，想像以上に厳しい制約があるのを認識しなければならない．特に扱う資料が古ければ古いほど厳しいものがあり，英語史では，特にOE資料の限界についてはよく認識したうえで，研究を進めていかなくてはならない．

　具体的にどれくらいの制約があるのかを垣間見るために，古英語と中英語の資料について児馬が触れている箇所を数点メモしておこう．

　・ 古英語期の写本に含まれる語数は約300万語で，文献数は約2000である．部分的にはヴァイキングによる破壊が原因である．この量はノルマン征服以降の約200年間に書かれた中英語の資料よりも少ない．(29)
　・ とくに850年以前の資料で残っているものは，4つのテキストと35ほどの法律文書・勅許上などの短い公的文書が大半である．(29)
　・ 古英語資料の9割がウェストサクソン方言で書かれた資料である．(31)
　・ 自筆資料 (authorial holograph) は非常に珍しく，中英語期でも Ayenbite of Inwit （1340年頃），詩人 Hoccleve (1370?--1450?) の書き物，15世紀ノーフォークの貴族の手による書簡集 Paston Letters やその他の同時期の書簡集ほどである．(34)

　英語史における資料の問題は非常に大きい．文献学 (philology) や本文批評 (textual criticism) からのアプローチがこの分野で重要視される所以である．
　関連して「#1264. 歴史言語学の限界と，その克服への道」 ([2012-10-12-1])，「#2865. 生き残りやすい言語証拠，消えやすい言語証拠――化石生成学からのヒント」 ([2017-03-01-1])，「#1051. 英語史研究の対象となる資料 (1)」 ([2012-03-13-1])，「#1052. 英語史研究の対象となる資料 (2)」 ([2012-03-14-1]) も参照．

　・ 児馬 修　「第2章　英語史概観」服部 義弘・児馬 修（編）『歴史言語学』朝倉日英対照言語学シリーズ［発展編］3　朝倉書店，2018年．22--46頁．

[ 固定リンク | 印刷用ページ ]

■ #3259. 17世紀に作られた動詞派生名詞群の呈する問題 (2) [synonym][loan_word][borrowing][renaissance][inkhorn_term][emode][lexicology][word_formation][suffix][affixation][neologism][derivation][statistics]

　昨日の記事 ([2018-03-29-1]) の続編．昨日示した Bauer からの動詞派生名詞のリストでは，-ment や -ure の接尾辞の存在が目立っていた．17世紀の名詞を作る接尾辞にどのような種類のものがあり，それぞれがいくつの名詞を作っていたのだろうか．これについても，Bauer (185) が OED に基づいて統計をとっている．結果は以下の通り．

Suffix	Number
-y	2
-ery	8
-ancy	10
-ency	10
-ence	18
-ion	20
-ance	49
-al	56
-ure	96
-ation	190
-ment	258

　トップ数種類の接尾辞が大半をカバーしていることから，頻度の高い「典型的な」接尾辞があることは確かにわかる．しかし，典型的な接尾辞が少数あるということで，問題が解決することにはならない．これらの典型的な接尾辞を含めた複数種類の接尾辞が，同一の基体に接続し得たということ，そして実際にそのように造語され併用されたという状況こそが，問題だったである．
　昨日の記事で触れたように，Bauer はこの問題を新語のニーズに関わる複雑さに帰しているが，それと関連して，生産的な派生に対して非生産的な派生への需要も常に存在するものだという主張を展開している．

. . . there is a constant application of unproductive morphology in order to solve problems provided by productive morphology, so that the language is continually having new words added to it which are not the forms which would be the predicted ones, as well as a number of predicted forms. That is, the processes of history add irregularities (which are available to turn into regularities if enough of them are coined). History, rather than simplifying matters (or rather than merely simplifying matters), reflects a process of building in extra complications.

　言語使用者の新語への要求は，必ずしも生産的な派生が与えてくれる手段とその結果だけでは満たされないほどに複雑で精妙なのだろう．そこで，あえて非生産的な派生の手段を用いて，不規則な派生語を作り出すこともあるのかもしれない．現代の歴史言語学者は，過去に生きた言語使用者の，そのような複雑で精妙な造語心理にどこまで迫れるのだろうか．困難ではあるがエキサイティングなテーマである．

　・ Bauer, Laurie. "Competition in English Word Formation." Chapter 8 of The Handbook of the History of English. Ed. Ans van Kemenade and Bettelou Los. Malden, MA: Blackwell, 2006. 177--98.

[ 固定リンク | 印刷用ページ ]

■ #3216. ドーキンスと言語変化論 (2) [glottochronology][evolution][biology][language_change][comparative_linguistics][history_of_linguistics][speed_of_change][statistics]

　昨日の記事 ([2018-02-14-1]) に引き続き，ドーキンスの『盲目の時計職人』で言語について言及している箇所に注目する．今回は，ドーキンスが，言語の分岐と分類について，生物の場合との異同を指摘しながら論じている部分を取りあげよう (348--49) ．

言語は何らかの傾向を示し，分岐し，そして分岐してから何世紀か経つにつれて，だんだんと相互に理解できなくなってしまうので，あきらかに進化すると言える．太平洋に浮かぶ多くの島々は，言語進化の研究のための格好の材料を提供している．異なる島の言語はあきらかに似通っており，島のあいだで違っている単語の数によってそれらがどれだけ違っているかを正確に測ることができよう．この物差しは，〔中略〕分子分類学の物差しとたいへんよく似ている．分岐した単語の数で測られる言語間の違いは，マイル数で測られる島間の距離に対してグラフ上のプロットされうる．グラフ上にプロットされた点はある曲線を描き，その曲線が数学的にどんな形をしているかによって，島から島へ（単語）が拡散していく速度について何ごとかがわかるはずだ．単語はカヌーによって移動し，当の島と島とがどの程度離れているかによってそれに比例した間隔で島に跳び移っていくだろう．一つの島のなかでは，遺伝子がときおり突然変異を起こすのとほとんと同じようにして，単語は一定の速度で変化する．もしある島が完全に隔離されていれば，その島の言語は時間が経つにつれて何らかの進化的な変化を示し，したがって他の島の言語からなにがしか分岐していくだろう．近くにある島どうしは，遠くにある島どうしに比べて，カヌーによる単語の交流速度があきらかに速い．またそれらの島の言語は，遠く離れた島の言語よりも新しい共通の祖先をもっている．こうした現象は，あちこちの島のあいだで観察される類似性のパターンを説明するものであり，もとはと言えばチャールズ・ダーウィンにインスピレーションを与えた，ガラパゴス諸島の異なった島にいるフィンチに関する事実と密接なアナロジーが成り立つ．ちょうど単語がカヌーによって島から島へ跳び移っていくように，遺伝子は鳥の体によって島から島へ跳び移っていく．

　実際，太平洋の島々の諸言語間の関係を探るのに，統計的な手法を用いる研究は盛んである．太平洋から離れて印欧語族の研究を覗いても，ときに数学的な手法が適用されてきた（「#1129. 印欧祖語の分岐は紀元前5800--7800年？」 ([2012-05-30-1]) を参照）．Swadesh による言語年代学も，おおいに批判を受けてきたものの，その洞察の魅力は完全には失われていないように見受けられる（「#1128. glottochronology」 ([2012-05-29-1]) や glottochronology の各記事を参照）．近年のコーパス言語学の発展やコンピュータの計算力の向上により，語彙統計学 (lexicostatistics) という分野も育ってきている．生物学の方法論を言語学にも応用するというドーキンスの発想は，素直でもあるし，実際にいくつかの方法で応用されてきてもいるのである．
　関連して，もう1箇所，ドーキンスが同著内で言語の分岐を生物の分岐になぞらえている箇所がある．しかしそこでは，言語は分岐するだけではなく混合することもあるという点で，生物と著しく相違すると指摘している (412) ．

言語は分岐するだけではなく，混じり合ってしまうこともある．英語は，はるか以前に分岐したゲルマン語とロマンス語の雑種であり，したがってどのような階層的な入れ子の図式にもきっちり収まってくれない．英語を囲む輪はどこかで交差したり，部分的に重複したりすることがわかるだろう．生物学的分類の輪の方は，絶対にそのように交差したりしない．主のレベル以上の生物進化はつねに分岐する一方だからである．

　生物には混合はあり得ないという主張だが，生物進化において，もともと原核細胞だったミトコンドリアや葉緑体が共生化して真核細胞が生じたとする共生説が唱えられていることに注意しておきたい．これは諸言語の混合に比較される現象かもしれない．

　・ ドーキンス，リチャード（著），中嶋 康裕・遠藤 彰・遠藤 知二・疋田 努（訳），日高 敏隆（監修）　『盲目の時計職人　自然淘汰は偶然か？』　早川書房，2004年．

[ 固定リンク | 印刷用ページ ]

■ #3180. 徐々に高頻度語の仲間入りを果たしてきたフランス・ラテン借用語 [french][latin][loan_word][borrowing][frequency][statistics][lexicology][hc][bnc]

　英語史では，中英語から初期近代英語にかけて，フランス語とラテン語から大量の語彙借用がなされた．それらのうち現在常用されるものについては，おそらく借用時点からスタートして時間とともに使用頻度が増してきたものと想像される．というのは，借用された当初から高頻度で用いられたとは考えにくく，徐々に英語に同化し，日常化してきたととらえるのが自然だからだ．
　この仮説を実証するのにいくつかの方法がありそうだが，Durkin があるやり方で調査を行なっている．中英語，初期近代英語，現代英語のそれぞれにおいてコーパスに基づく最高頻度語リストを作り，そのなかにフランス・ラテン借用語がどのくらいの割合で含まれているかを調べ，その割合の通時的推移を比較するという手法だ．古い時代のコーパスでは綴字の変異という問題が関わるため，厳密に調査しようとすれば単純にはいかないが，Durkin はとりあえずの便法として，中英語と初期近代英語については Helsinki Corpus の 1150--1500年と1500--1710年のセクションを用いて，現代英語については BNC を用いて異綴字ベースで調査した．それぞれ頻度ランキングにして900--1000位ほどまでの単語（綴字）リストを作り，そのなかでフランス・ラテン語借用語が占める割合をはじき出した．
　結果は，中英語セクションでは7%ほどだったものが，初期近代英語セクションでは19%まで上昇し，さらに現代英語セクションでは38%までに至っている．粗い調査であることは認めつつも，フランス・ラテン借用語で現在頻用されているものの多くについては，歴史のなかで徐々に頻度を上げてきた結果として，現在の日常的な性格を示すことがよくわかった．
　さらにおもしろいことに，初期近代英語のセクション（1500--1710年）に関する数値について，高頻度語リストに含まれるフランス・ラテン借用語のすべてが1500年より前に借用されたものであり，しかもその2/3ほどは確実にフランス借用語であるという事実が確認される (Durkin 338--39) ．
　また，中英語と初期近代英語の高頻度語リストに含まれるフランス・ラテン借用語の多くが，現代英語の高頻度語リストにも再現されている事実にも触れておこう．古い2期には現われるが現代期からは漏れている語群を眺めると，なんとも時代の変化を感じさせてくれる．例えば，honour, justice, manner, noble, parliament, pray, prince, realm, religion, supper, treason, usury, virtue である (Durkin 340) ．
　時代によって最頻語リストやキーワードが異なることは当然といえば当然だが，歴史英語コーパスを用いて様々な時代を比較してみるとおもしろそうだ．例えば，初期近代英語コーパスに基づくキーワード・リストについて「#2332. EEBO のキーワードを抽出」 ([2015-09-15-1]) を参照．また，頻度と歴史の問題については「#1243. 語の頻度を考慮する通時的研究のために」 ([2012-09-21-1]) も参照されたい．

　・ Durkin, Philip. Borrowed Words: A History of Loanwords in English. Oxford: OUP, 2014.

[ 固定リンク | 印刷用ページ ]

■ #3174. 高頻度語はスペリングが短い (2) [frequency][spelling][orthography][zipfs_law][statistics][lexicology][corpus]

　昨日の記事 ([2018-01-03-1]) と同じ頻度とスペリングの長さに関するデータを，もう少し分析してみた．以下は，頻度ランキングのトップ100語，200語，500語，1000語，2000語，5000語，10000語，20000語，50000語について，それぞれ最低値，第1四分位数，中央値，平均値，第3四分位数，最大値を示した表である．英語の正書法を論じる上での基礎データとしてどうぞ．

	Min.	1st Qu.	Median	Mean	3rd Qu.	Max.
Top_100	1.0	2.0	3.0	3.1	4.0	5.0
Top_200	1.00	3.00	4.00	3.77	4.00	10.00
Top_500	1.000	4.000	4.000	4.498	5.000	10.000
Top_1K	1.000	4.000	5.000	4.968	6.000	15.000
Top_2K	1.000	4.000	5.000	5.406	7.000	15.000
Top_5K	1.000	5.000	6.000	6.014	7.000	16.000
Top_10K	1.000	5.000	6.000	6.488	8.000	16.000
Top_20K	1.000	5.000	7.000	6.954	8.000	17.000
Top_50K	1.000	6.000	7.000	7.622	9.000	20.000

　これをもとに視覚化したのが，以下の箱ひげ図．




　当然予想されたことだが，語数が増えるにしたがってスペリングの平均の長さは徐々に大きくなっていき，バラツキも広がっていく．しかし，トップ数万語でみても平均して7文字程度となっており，さほど長くないのだなという印象を受けた．

[ 固定リンク | 印刷用ページ ]

■ #3173. 高頻度語はスペリングが短い (1) [frequency][spelling][orthography][zipfs_law][statistics][lexicology][corpus][three-letter_rule]

　標題は特に目新しい指摘ではなく，英語を読み書きする者には直感されていることだと思われる．「#1091. 言語の余剰性，頻度，費用」 ([2012-04-22-1]) や「#1102. Zipf's law と語の新陳代謝」 ([2012-05-03-1]) でも指摘したように，よく読み書きする単語のスペリングは短いほうが効率がよいと考えられるからだ．逆に，滅多に読み書きしない単語であれば少々長くても我慢できる．単語のスペリングに限らず，単語の音形についても同様の原理が作用していると思われる．
　また，英語の正書法には内容語は3文字以上で綴られなければならないという「#2235. 3文字規則」 ([2015-06-10-1]) がある．これは機能語という頻度のきわめて高い語類については適用されない．したがって，この規則は上記の効率の問題とも関わる実用的な側面をもつといえる．
　高頻度語であればあるほど，そのスペリングが平均的に短いことを示す方法の1つに，頻度ランキングのトップ100語，1000語，10000語などのリストに基づき，文字数別に単語を数え上げるというやり方がある．「#2096. SUBTLEX-US Word Frequency List」 ([2015-01-22-1]) から引き出した頻度ランキングを利用して，トップ100語，200語，500語，1000語，2000語，5000語，10000語，20000語，50000語について調査した．トップ100語のリストについては先の記事でリストを掲載している通りであり，なかには s, ll などコーパスの仕様に由来するとおぼしき怪しい「語」もあるが，結果の大勢には影響を及ぼさないだろう．
　以下にグラフで整理した通り，結果は明白である（数値データはソースHTMLを参照）．トップ100語の超高頻度語群では62.00%までが3文字以下のスペリングである．3文字以下の割合（下から3つ分のオレンジの帯まで）ということで比べていくと，トップ200語から50000語の調査結果まで，順に41.50%, 24.60%, 17.00%, 12.65%, 8.06%, 6.01%, 4.55%, 3.20%と目減りしていく．

[ 固定リンク | 印刷用ページ ]

■ #3170. 現代日本語の語種分布 (2) [japanese][lexicology][statistics][etymology][loan_word][lexical_stratification]

　「#1645. 現代日本語の語種分布」 ([2013-10-28-1]) の記事で，標題について明治から昭和にかけて出版された国語辞典に基づく数値を示した．今回は平成からの数値を示そう．沖森ほか (71) に掲載されている，『新選国語辞典　第八版』（小学館，2002年）に基づいた語種分布である．

和語 漢語 外来語 混種語 割合 33.8% 49.1% 8.8% 8.4% 語数 24,708語 35,928語 6,415語 6,130語

　先の記事 ([2013-10-28-1]) で参照した，国立国語研究所『語彙の研究と教育（上）』（大蔵省印刷局，1984年）の雑誌90種に基づく異なり語数と延べ語数の統計も，改めて円グラフにして示そう（こちらも沖森ほか (79) 経由で）．

和語 漢語 外来語 混種語 割合 36.7% 47.5% 9.8% 6.0% 語数 11,134語 14,407語 2,964語 1,826語

和語 漢語 外来語 混種語 割合 53.9% 41.3% 2.9% 1.9% 語数 221,875語 170,033語 12,034語 8,030語

　・ 沖森 卓也，木村 義之，陳 力衛，山本 真吾　『図解日本語』　三省堂，2006年．

[ 固定リンク | 印刷用ページ ]

■ #3132. 暗号学と言語学 (2) [cryptology][linguistics][statistics][chaos_theory][information_theory]

　最近，言語学とカオス理論 (chaos_theory) について少し調べているが，フラクタル図形「マンデルブロー集合」 (Mandelbrot set) で知られる数学者 Benoît Mandelbrot (1924--2010) が，情報理論や言語学に関する論考を著わしていることを知った（「マンデルブロー集合」については「#3123. カオスとフラクタル」 ([2017-11-14-1]) を参照）．
　Mandelbrot はその論考で，暗号学 (cryptology) と言語学の接点という話題にも触れている．本ブログでも「#2699. 暗号学と言語学」 ([2016-09-16-1]) の記事で，両分野の密接な関係について考えたことがあったので，ここで再び取り上げたい．その記事の第2段落で述べたことと Mandelbrot (552) の次の1節は，よく符合する．

. . . let us grant for the moment that the encoding and decoding machines may be as complicated as the designer may wish, and that the memory of the human links---using the common sense of the word "memory"---is unbounded. Under those ideal circumstances, it is obvious that any improvement of our understanding of the structure of language and of discourse will bring a possibility of improvement of the performance of the cryptographer or stenographer. For example, a knowledge of the rules of grammar will show that a given phrase will never be encountered in grammatically correct discourse; thus, if his employer were to speak only grammatical English, a stenographer would not need any special set of signs to designate the incorrect sentences. Similarly, a knowledge of the statistics of discourse will suggest that the "cliché" be represented by special short signs; in this way, the stenogram will be shortened and---since deciphering is very much helped by cliché---the code will be strengthened. That is, the ideal cryptographer and stenographer should make the utmost use of any available linguistic information.

　暗号作成者は，言語の性質を知っていればいるほど，その性質の裏をかいた暗号文を作成できるし，逆に暗号解読者も，言語の性質を知っていればいるほど，そのように裏をかかれる可能性を減らすことができる．この意味で，暗号学は舞台を変えた言語学ともいえるのである．

　・ Mandelbrot, Benoît. "Information Theory and Psycholinguistics." Scientific Psychology: Principles and Approaches. Ed. Benjamin B. Wolman and Ernest Nagel. New York: Basic Books, 1965. 550--62.

[ 固定リンク | 印刷用ページ ]

■ #3062. 1665年のペストに関する Samuel Pepys の記録 [black_death][pepys][literature][history][demography][statistics]

　17世紀のイングランドの海軍大臣 Samuel Pepys (1633--1703) は，1660--69年ロンドンでの出来事を記録した日記 The Diary of Samuel Pepys で知られる．1665--66年にロンドンを襲った腺ペスト (The Great Plague) についても，不安をもって記録している．関連する箇所をいくつか抜き出そう．

Sunday 30 April 1665 . . . . Great fears of the sickenesse here in the City, it being said that two or three houses are already shut up. God preserve as all!

Sunday 7 June 1665 . . . . This day, much against my will, I did in Drury Lane see two or three houses marked with a red cross upon the doors, and "Lord have mercy upon us" writ there; which was a sad sight to me, being the first of the kind that, to my remembrance, I ever saw. It put me into an ill conception of myself and my smell, so that I was forced to buy some roll-tobacco to smell to and chaw, which took away the apprehension.

Sunday 10 June 1665 . . . . In the evening home to supper; and there, to my great trouble, hear that the plague is come into the City (though it hath these three or four weeks since its beginning been wholly out of the City) . . . .

Saturday 16 September 1665 . . . . At noon to dinner to my Lord Bruncker, where Sir W. Batten and his Lady come, by invitation, and very merry we were, only that the discourse of the likelihood of the increase of the plague this weeke makes us a little sad, but then again the thoughts of the late prizes make us glad.

　上の3つめの引用にあるとおり，ペストがシティに入ってきたのは6月10日頃である．6月下旬には，ロンドン市長と市参事会の連名でペスト条例が公布されている．当時のロンドンの人口は25万人ほどという説があるが，その1/5ほどがわずか1年のあいだに腺ペストに倒れたというから，その勢いは凄まじい（蔵持，pp. 219--226）．ペストは翌1666年には下火になっていたものの，くすぶってはいた．ペストが完全に制圧されたのは，皮肉にも9月2日のロンドン大火によってだった．その日の Pepys の日記 (Sunday 2 September 1666) も参照されたい．

　・ 蔵持 不三也　『ペストの文化誌　ヨーロッパの民衆文化と疫病』　朝日新聞社〈朝日選書〉，1995年．

[ 固定リンク | 印刷用ページ ]

■ #3041. 近現代における semicolon の盛衰 [punctuation][statistics]

　昨日の記事「#3040. 古英語から中英語にかけて用いられた「休止」を表わす句読記号」 ([2017-08-23-1]) に引き続き，句読記号 (punctuation) の話題．<;> (semicolon) は，「#2666. 初期近代英語の不安定な句読法」 ([2016-08-14-1]) で触れたように，16世紀後半になってようやく用いられるようになった新参者である．その後，句読記号を多用する "heavy style" 好みの18世紀にはおおいに活躍したが，現代にかけて衰退してきている．近現代にほける semicolon の盛衰に関して，Crystal (207) の文章が興味深い．

It's often been reported that the semicolon is going out of fashion, and the evidence (from the study of large collections of written material) does support a steady drop in frequency during the twentieth century. (They're much more common in British English than American English.) A typical finding is to see that 90 per cent of all punctuation marks are either periods or commas, and semicolons are just a couple of percent. The figure was much higher once. The semicolon had its peak in the eighteenth century, when long sentences were thought to be a feature of an elegant style, heavy punctuation was in vogue, and punctuation was becoming increasingly grammatical. The rot set in during the nineteenth century, when the colon became popular, and took over some of the semicolon's functions. The economics of the telegraph (the shorter the message, the cheaper) fostered short sentences. And today it has virtually disappeared from styles where sentences tend to be short, such as on the Internet.

　最近の日本でも，Twitter などの影響で，単純な思考を短文で書くことしかできず，まとまった思考を長文で書くことができない人が増えているというコメントが聞かれるが，それと連動して文章を書くスタイルや用いられる句読記号の種類や頻度も変化するというのは確かにありそうである．semicolon という，ある意味で中途半端な句読記号の盛衰を追うことによって，むしろ各々の時代の文章スタイルの特徴が浮き彫りになるというのはおもしろい．今後，semicolon は限定されたテキストタイプでしかお目にかからないレアな句読記号になっていく可能性もありそうだ．

　・ Crystal, David. Making a Point: The Pernickety Story of English Punctuation. London: Profile Books, 2015.

[ 固定リンク | 印刷用ページ ]

■ #3009. 母語話者数による世界トップ25言語（2017年版） [statistics][world_languages][demography][japanese]

　「#397. 母語話者数による世界トップ25言語」 ([2010-05-29-1]) を書いてから7年の年月が経った．Ethnologue (20th ed) の最新版が出たので，Summary by language size の表3により，母語話者数による世界トップ23言語の最新ランキングを示したい．

Rank	Language	Primary Country	Countries	Speakers (20th ed, 2017)	Speakers (16th ed, 2009)	(13th ed, 1996)
1	Chinese	China	37	1,284 million	1,213	1,123
2	Spanish	Spain	31	437	329	266
3	English	United Kingdom	106	372	328	322
4	Arabic	Saudi Arabia	57	295	221	202
5	Hindi	India	5	260	182 (242.6 with Urdu)	(236 with Urdu)
6	Bengali	Bangladesh	4	242	181	189
7	Portuguese	Portugal	13	219	178	170
8	Russian	Russian Federation	19	154	144	288
9	Japanese	Japan	2	128	122	125
10	Lahnda	Pakistan	6	119	78.3
11	Javanese	Indonesia	3	84.4	84.6
12	Korean	Korea	7	77.2	66.3
13	German	Germany	27	76.8	90.3	98
14	French	France	53	76.1	67.8	72
15	Telugu	India	2	74.2	69.8
16	Marathi	India	1	71.8	68.1
17	Turkish	Turkey	8	71.1	50.8
18	Urdu	Pakistan	6	69.1	60.6
19	Vietnamese	Viet Nam	3	68.1	68.6
20	Tamil	India	7	68.0	65.7
21	Italian	Italy	13	63.4	61.7	63
22	Persian	Iran	30	61.9
23	Malay	Malaysia	16	60.8	39.1	47

　2009年の16版の統計では2位スペイン語と3位英語の差はごくわずかで事実上のタイだったが，今回のデータによれば，2位のスペイン語が英語を勢いで引き離しにかかっていることがわかる．3位の英語は，むしろ今後は4位のアラビア語に詰め寄られることになりそうだ．
　続くランキングで，9位につけている日本語までは，ここ数年で順位が変わっていないものの，10位だったドイツ語が13位まで順位を落としているのが印象的である．フランス語は，むしろ16位から14位へ若干順位を上げている．
　近い将来，9位につけている日本語が徐々にランキングを下げていくことは必至である．日本以外に母語として使用される国がないこと，また日本の人口減の傾向が主たる要因である．ジャワ語やベトナム語などに肉薄されるのも時間の問題だろう．
　「#274. 言語数と話者数」 ([2010-01-26-1]) で示したように，少数のトップ言語が世界人口の多くを担っているという事態は変わっていないどころか，傾向が加速化している．例えば，上の表の15位までの言語の母語話者の合計は約40億人となり，これは世界人口の6割近くに当たる．うち6言語は国連の公用語であり，これだけで148国をカバーする．言語の寡頭支配ぶりは明らかだろう．

[ 固定リンク | 印刷用ページ ]

■ #2966. 英語語彙の世界性 (2) [lexicology][loan_word][borrowing][statistics][link]

　英語語彙の世界性について，1年ほど前の記事 ([2016-06-24-1]) で様々なリンクを張ったが，その後書き足した記事もあるので，リンク等をアップデートしておきたい．記事を読み進めていけば，英語語彙史の概要が分かる．

1　　数でみる英語語彙
　　1.1　　語彙の規模の大きさ (#898)
　　1.2　　語彙の種類の豊富さ (##756,309,202,429,845,1202,110,201,384)
　　1.3　　英語語彙史の概略 (##37,1526,126,45)
2　　語彙借用とは？
　　2.1　　なぜ語彙を借用するのか？ (##46,1794)
　　2.2　　借用の5W1H：いつ，どこで，何を，誰から，どのように，なぜ借りたのか？ (#37)
3　　英語の語彙借用の歴史 (#1526)
　　3.1　　大陸時代 (--449)
　　　　3.1.1　　ラテン語 (#1437)
　　3.2　　古英語期 (449--1100)
　　　　3.2.1　　ケルト語 (##1216,2443)
　　　　3.2.2　　ラテン語 (#32)
　　　　3.2.3　　古ノルド語 (##2625,2693,340,818)
　　　　3.2.4　　古英語本来語のその後 (##450,2556,648)
　　3.3　　中英語期 (1100--1500)
　　　　3.3.1　　フランス語 (##117,1210)
　　　　3.3.2　　ラテン語 (##120,1211)
　　　　3.3.3　　中英語の語彙の起源と割合 (#985)
　　3.4　　初期近代英語期 (1500--1700)
　　　　3.4.1　　ラテン語 (##478,114,1226)
　　　　3.4.2　　ギリシア語 (#516)
　　　　3.4.3　　ロマンス諸語 (##2385,2162,1411,1638)
　　3.5　　後期近代英語期 (1700--1900) と現代英語期 (1900--)
　　　　3.5.1　　語彙の爆発 (##203,616)
　　　　3.5.2　　世界の諸言語 (##874,2165,2164)
4　　現代の英語語彙にみられる歴史の遺産
　　4.1　　フランス語とラテン語からの借用語 (#2162)
　　4.2　　動物と肉を表わす単語 (##331,754)
　　4.3　　語彙の3層構造 (##334,1296,335,1960)
　　4.4　　日英語の語彙の共通点 (##1645,296,1630,1067)
5　　現在そして未来の英語語彙
　　5.1　　借用以外の新語の源泉 (##873,874,875)
　　5.2　　語彙は時代を映し出す (##625,631,876,889)

　英語語彙史を大づかみする上で最重要となる3点を指摘しておきたい．

　　(1) 英語語彙史は，英語と他言語の交流の歴史と連動している
　　(2) 語彙借用の動機づけは「必要性」のみではない
　　(3) 語彙借用により類義語が積み上げられていき，結果として3層構造が生じた

[ 固定リンク | 印刷用ページ ]

■ #2876. 英語語彙の頻度分布に関する格差上位1%のシェア [lexicology][statistics][frequency][corpus]

　昨日の記事「#2875. 英語語彙の頻度分布の格差をジニ係数とローレンツ曲線でみる」 ([2017-03-11-1]) に引き続き，英語語彙頻度の格差について考えてみたい．昨日扱ったジニ係数よりも直感的に格差を認識できる指標として，格差上位1%のシェアというものがある．経済学でいえば，トマス・ピケティも愛用している「トップ富裕層の所得シェア」である．大金持ちがどのくらい金持ちか，という指標と理解すればよい．英語語彙について言えば，生起頻度でトップ1%に入るそれほど多くない語によって，全体のどのくらいのシェアが占められているかを示す指標となる．
　昨日と同じように，総頻度数が81.5万ほどの比較的小規模な GSL の語彙頻度表と，1850万ほどの巨大コーパス「#1424. CELEX2」 ([2013-03-21-1]) に基づく語彙頻度表で計算してみた．トップ1%とトップ0.1%での値は，以下の通り．

	GSL	CELEX2
1%	47.05%	69.36%
0.1%	14.60%	43.57%

　実際，ここまで高い値になるとは予想していなかった．英語学習という観点からみると，極端な話し，高頻度語のトップ1%を暗記すれば，5?7割ほどの語が認識できることになる．それでテキストを理解できるかというと，それはまったく別問題ではあるが，語彙学習の効率について再考させられる．
　参考までに，2000年の時点での日米の所得シェアを見てみると，アメリカではトップ0.1%の富裕層が所得全体の7%ほど，日本では2%ほどである（吉川，p. 226）．近年，両国ともに格差は開いてきているようだが，さすがに語彙の世界ほどの格差に至ることはないだろう．語彙の社会は，あらためて不平等な社会である．

　・ 吉川 洋　『人口と日本経済』　中央公論新社〈中公新書〉，2016年．

[ 固定リンク | 印刷用ページ ]

■ #2875. 英語語彙の頻度分布の格差をジニ係数とローレンツ曲線でみる [lexicology][statistics][frequency][zipfs_law][corpus]

　「#1103. GSL による Zipf's law の検証」 ([2012-05-04-1]) で，General Service List (GSL) の最頻2000語余りの語彙頻度表を用いて，zipfs_law が成立する様子を実演した．頻度順位の高い少数の語がただの高頻度語ではなく超高頻度語であること，一方でそれ以外の大多数の語がおしなべて低頻度語であるということが確認された．このことは，英語（そして，おそらくあらゆる言語）の語彙の頻度分布がきわめて不平等・不均衡であり，大きなばらつきと格差に特徴づけられていることを示すものである．
　このような分布の格差を示す代表的な指標に，イタリアの経済学者ジニが所得や資産の分布の不平等を計測する指標として1936年に考案したジニ係数 (Gini's coefficient) がある．考え方は次の通りだ．X軸に沿って左から右へ最も頻度の低い語から高い語へと順に並べ，その累積頻度のシェアをY軸方向に取っていく．この点をつなげると，何らかの形の右肩上がりの曲線となる．これをローレンツ曲線 (Lorenz curve) という．すべての語が同頻度で現われるときにはローレンツ曲線は45度の右肩上がりの直線となり「完全平等」を示す．逆に，極端な例として，1つの語のみが生起頻度のすべてを占有し，他のすべての語が頻度ゼロの場合に「完全不平等」となり，ローレンツ曲線は左右逆L字型となる．普通は，ローレンツ曲線は，45度の右肩上がりの線の下部に，三日月形の弧として描かれる．ジニ係数は，三日月の面積と，45度の右肩上がりの線を直角の対辺とする直角二等辺三角形の比率として表現される．したがって，値0が完全平等，値1が完全不平等ということになる．
　さて，GSL のデータファイルで計算した結果，ジニ係数は0.812と出た．ローレンツ曲線を描くと，以下のようになる．




　明らかに不平等な分布といえる．ちなみに，GSL よりも巨大なコーパスの語彙頻度表を使うと，さらにジニ係数は上がる（例えば，1790万語からなるコーパス「#1424. CELEX2」 ([2013-03-21-1]) に基づいた計算では，0.950 というすさまじい値が出た！）．
　参考までに，吉川 (122) に拠って2010年の諸国の所得格差を示すジニ係数をいくつか挙げると，日本が 0.336，アメリカが 0.380，チリが 0.510，アイスランドが 0.246 である．語彙の社会が極めて不平等な社会であることが分かるだろう．

　・ 吉川 洋　『人口と日本経済』　中央公論新社〈中公新書〉，2016年．

[ 固定リンク | 印刷用ページ ]