コーパス

コーパス（英: corpus）は、言語学において、自然言語処理の研究に用いるため、自然言語の文章を構造化し大規模に集積したもの。構造化し、言語的な情報（品詞、統語構造など）を付与している。言語学以外では「全集」を意味することもあり、言語学でも日本語を扱う場合には、「言語全集」「名詞全集」「動詞全集」などと呼ぶとよい。コンピュータ利用が進み、電子化データとして提供されている。

概要

「身体」を意味する ラテン語: corpus に由来する。複数形は ラテン語: corpora（コーポラ）。英語式複数形とした 英語: corpuses の使用も散見される。

大規模なコーパスの作成には、相当の費用と時間がかかる。使用する文章に関わる著作権など、法的問題が発生するためである。データ作成の手間はあるが、コンピュータ利用により、それ以前に比べ、かなりの労力軽減と多様な構造化が実現した。日本では国立国語研究所が一億語の収録を目指す「KOTONOHA計画」をすすめている。

構造化した言語データを「一般利用する」という観点からは、三省堂がウィズダム英和・和英辞典の用例を「用例コーパス」として、一時期無料公開していた。

日本でコーパスを一般に広く知らしめたのは、英語学者の投野由紀夫である。2003年、NHK教育テレビジョン『100語でスタート!英会話』で、英語コーパスを教材に活用した放送授業を展開し、それまで専門家しか知らなかったコーパスを一般的な存在へ変えた。2009年には新シリーズとしてずばりコーパスをタイトルに入れた『コーパス100!で英会話』が放送されている。

関連項目

• コーパス言語学
• 言語資源
• 計算言語学
• 辞典
• ツリーバンク
• 言語資料学
• 構文解析
• 形式文法
• 句構造規則
• 語彙項目
• en:Quranic Arabic Corpus
• en:Calgary corpus
• en:Canterbury corpus

関連文献

• 日本語語彙大系, 全5巻, 岩波書店, 池原悟, 宮崎正弘, 白井諭, 横尾昭男, 中岩浩巳, 小倉健太郎, 大山芳史, 林良彦,1997,ISBN 978-4000098847 CD-ROM, 1999, ISBN 978-4001301014

外部リンク

• KOTONOHA計画
• 三省堂「用例コーパス」
• American National Corpus（アメリカ英語のコーパス）
• NINJAL-LWP for TWC（「筑波ウェブコーパス」を検索するためのツール）
• byu.edu（Mark Davies教授による　英語, スペイン語, ポルトガル語等に対応するコーパスのリンク集）