| 研究課題/領域番号 |
24720211
|
|---|
| 研究種目 |
若手研究(B)
|
| 研究機関 | 法政大学 |
|---|
研究代表者 |
尾谷 昌則 法政大学, 文学部, 准教授 (10382657)
|
|---|
| 研究期間 (年度) |
2012-04-01 – 2016-03-31
|
| キーワード | 日本語学 / 若者言葉 / 文法の変化 / 言語変化 |
|---|
| 研究概要 |
今年は初年度ということで、小説テキスト・データベース構築作業の準備を行った。
まず、言語データとして取込むための文庫本を購入。請求予算額より少なかったため新品購入を断念、ブックオフにて中古本3500冊を購入。在庫リストを取り寄せ、その中から発行年度ごとに100冊を選定する作業に膨大な時間を要したが、概ね満足いくものが揃えられた。通常の文庫とは別に、ライトノベルと呼ばれる若者向け小説も10年分、計500冊ほど購入した。若者ことばの変遷を辿る上で重要な資料になることは間違いない。
次に、業務用スキャナを購入し、OCR処理に最適なスキャン設定を検証するために試行錯誤を重ねた。ある程度の精度を達成するためには、業務用スキャナでも１時間あたり15冊が限界と判明。書籍の断裁作業、不要ページの除去、スキャン後の廃棄作業なども同時平行で行うため、予想以上に時間をとられてしまい、年度末までに800冊をスキャンするのが精一杯であった。
また、本データベースはテキストの認識精度が生命線であるため、OCR処理の精度向上についても慎重に検討を重ねた。市販OCRソフトを比較し、学習機能を利用して認識精度の向上に努めた。その結果、特殊文字・記号・促音を除けば、約99％以上の精度でテキストデータ化できるようになった。長音記号や促音の認識が向上しないのは極めて残念ではあるが、研究対象とする基本的な文法事項にはさほど影響しないため、まずは上々の結果と言えよう。
当初の研究計画からみれば、文庫本のスキャン作業が大幅に遅れているが、テキストデータ化までの予備作業がうまくいっているため、あとは時間と人手の問題である。
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
3: やや遅れている
理由
４年計画のうち、初年度は文庫のスキャンとOCR化を目標にしていた。しかし、中古書籍の選定に手間どり、スキャン作業にも予想以上の時間を要したため、入力は４分の１しか終了していない。ライトノベルを中心に、ここ20年のデータだけに絞るということで軌道修正したが、それでもまだ半分程度である。
|
| 今後の研究の推進方策 |
過去40年分の文庫をテキストデータ化するのは困難であるため、計画を変更し、ここ20年分のみ取込むことにする。分析対象の表現はどれもここ10～20年ほどで急速にその使用頻度が高くなったものばかりであるため、語源などの特定には至らないかもしれないが、さしあたって使用実態を調査するには支障がないと思われる。
データベースが完成しないことには、検索による定量的な分析が行えないが、次年度以降に分析する予定であった表現（「～ないです」など）についての文献調査を先取りすることで、帳尻を合わせたい。
|
| 次年度の研究費の使用計画 |
データ入力補助の人件費として使用する予定であるが、業務用OCRソフト（市価30万円）の存在も明らかになったので、そちらの購入も検討したい。
|
