データベース

『文法コロケーションハンドブックE』

これは何ですか？

2014年の『日本語教育のための文法コロケーションハンドブック』と同じスタイルで、様々な中上級の文法項目をコーパスのデータをもとに記述していくスタイルです。最大の特徴は、中俣の執筆した教材を使ってコーパスの使い方を学んだ大学院生の手によって記述されているということです。（全項目、中俣が監修しています。）まずはPDF版にて公開。今後、他の形態での拡大も視野に入れています。

利用方法

以下より最新版のPDFをダウンロードしてください。

文法コロケーションハンドブックE Ver.2024.4

日本語話題別会話コーパス： J-TOCC

『日本語話題別会話コーパス：J-TOCC』の概要

『日本語話題別会話コーパス：J-TOCC』は話題を固定し、各話題について等しい時間の、親しい大学生どうしの１対１会話を録音、文字化したコーパスです。15話題につきそれぞれ120ペア×5分＝10時間、合計で150時間分の会話を文字化しました。録音は2018年から2019年にかけて行われました。

このコーパスはJSPS科研費18H00676「話題が語彙・文法・談話ストラテジーに与える影響の解明」（以下、本プロジェクト）の成果として構築されました。プロジェクトの代表者は京都教育大学の中俣尚己で、コーパスデータの著作権は中俣が保有します。

コーパスの名称は『日本語話題別会話コーパス』で、略称は『J-TOCC』です。J-TOCCはJapanese Topic-Oriented Conversation Corpusの略です。J-TOCC内のテクストの著作権は中俣尚己が保有します。

『日本語話題別会話コーパス：J-TOCC』の特徴

• J-TOCCは、話題が変わると、日本語話者の話し方（語彙・文法・談話ストラテジー）はどのように変わるのかという疑問に答えるために設計されたコーパスです。15の話題について同じ時間数のデータが揃っていることが最大の特徴です。
• また、15の話題について、120ペアのデータがあるため、単なる語の延べ出現頻度(Token Frequency)だけでなく、どれだけのペアがその語を発したかという出現文書頻度（Document Frequency）についても定量的な値が得られ、個人差を考慮にいれた研究を行うことができます。
• 全ての話者について、その話題にどれだけ詳しいかという「話題精通度」のデータを付与しています。これにより、「ある話題に詳しい人と詳しくない人の話し方の比較」研究を行うことができます。
• 話題を統一した上で、東日本と西日本について同じ時間分のデータが集められているため、東西の比較研究を行うことができます。「男男」「男女」「女女」のようにペアの性別についてもバランスをとっています。
• 2019年時点での大学生の会話が収められています。

利用方法

『日本語話題別会話コーパス：J-TOCC』は教育・研究のためならどなたでもダウンロードして利用頂けます。 まず、以下の利用規約をお読みいただき、同意した上で、必要事項を下記のフォームに入力し送信すると、 コーパスをダウンロードするURLが表示されます。コーパスはtxt形式で、zip圧縮されており、 解凍にはパスワードが必要です。このパスワードは入力して頂いたメールアドレスに自動的に送信されます。 解凍ソフトに詳しくない方は、パスワードを入れて解凍した後、中身をご自身で用意されたフォルダに移してから研究することをおすすめします。

※ダウンロード後、もう一度URLを知る必要がある場合は中俣までお問い合わせ下さい。

※パスワードが届かない方はメールアドレスを間違えている可能性があるので、もう一度ご登録下さい。

詳しい解説

J-TOCCを使った研究を行い、その成果を発表する時は以下のいずれかの文書を参考文献としてください。

• 中俣尚己(2021)「日本語話題別会話コーパス：J-TOCC　解説資料」
• 中俣尚己・太田陽子・加藤恵梨・澤田浩子・清水由貴子・森篤嗣(2021)「『日本語話題別会話コーパス：J-TOCC』」『計量国語学』33巻1号, pp.11-21, 計量国語学会.

コーパス利用規約

『『日本語話題別会話コーパス』利用規約』

申し込みフォーム

利用規約をお読みの上、こちらの申し込みフォームより、お申し込みください。回答を送信後に、ダウンロードについての情報をメールで返信します。

J-TOCCの更新履歴・バージョン情報

• バージョン20200228
  ・公開初期バージョン
• バージョン 20210706
  ・規約と解説文書に参照すべき文献を追加。本体の変更なし。
• バージョン 20210831
  ・話者情報のうち、W-217-1とW-217-2、W-219-1とW-219-2、W-118-1とW-118-2が入れ替わっていたので話者情報シートを修正。
  ・対応して、W-217ペアとW-219ペアでは話者の性別の記号も反対になっていたので、話者記号の性別部分(F,M)のみ修正。
  ・E-202-09の64行目と65行目の話者記号が逆になっていたので修正。
  ・「話題知悉度」という用語を「話題精通度」に変更。ファイルに修正はなく、解説文書のみの変更。
• バージョン 20220829
  ・コーパス本体で、マスキングに漏れがあった箇所を修正。 補足情報の記号の不統一を修正。
  ・説明文書に記号の情報を加筆。誤字の訂正。
  ・『日本語話題別会話コーパスJ-TOCC語彙表』を公開。

 

『日本語話題別会話コーパス：J-TOCC語彙表』

これは何ですか？

上記『日本語話題別会話コーパス：J-TOCC』の語彙表です。全単語の話題ごとの対数尤度比(LLR)を計算したものと、各話題において、どの話者が何回、各単語を発話したのかを集計した表があります。詳しい説明は下記の論文をご覧下さい。LLRの表の使い方は『話題別日本語語彙表』と同じです。

利用方法

複数の表があるため、zip形式で配布します。どなたでもご自由に利用できます。

日本語話題別会話コーパス：J-TOCC語彙表

この表を使った研究や教材を発表する時は、以下の文献を引用して下さい。

中俣尚己・麻子軒（2022）「『日本語話題別会話コーパス：J-TOCC語彙表』の公開と日本語教育むけ情報サイトにむけた指標の検討」
言語資源ワークショップ2022発表論文集.

話題別日本語語彙表

これは何ですか？

自然会話コーパスである『名大会話コーパス』を人手で約100種類の話題に分割し、その分割したサブコーパスごとに形態素解析を行い、対数尤度比(LLR)という指標でどの単語がどの話題に特徴的かを調べ、一覧にした表です。日本語教育の教材作成や授業準備のために作成しました。話題分割の手順は下の「自然会話コーパス話題アノテーション情報」と同じです。

利用方法

Excel形式で配布します。以下のリンクからExcelファイルをダウンロードしてください。
※2021年3月5日、データを一部修正しました。

話題別日本語語彙表
長単位。総頻度数10以上の語を収録

※2023年５月18日、短単位版を公開しました。総頻度5以上の語を対象にしています。

話題別日本語語彙表（短単位版）
短単位。総頻度数5以上の語を収録

この表を使った研究や教材を発表する時は、以下の文献のいずれかを引用して下さい。なお、下記文献におけるデータはオリジナルの長単位版について述べています。ただし、表の作り方などは同じです。

中俣尚己・小口悠紀子・小西円・建石始・堀内仁（2021）「「自然会話コーパスを基にした『話題別日本語語彙表』」」
『計量国語学』33-3, pp.194-204, 計量国語学会.

中俣尚己(2020)「自然会話コーパスを元にした話題別語彙表の作成」『NINJAL国際シンポジウム「第11回日本語実用言語学国際会議（ICPLJ11）」予稿集』pp.96-99, 国立国語研究所

使い方は主に２通りです。話題から語彙を探したい場合は、一番上の話題列にオートフィルタをかけ、該当の話題を降順で並べ替えて下さい。LLRはおよそ10.83より大きい場合に、その分野の特徴語とみなされます。一方、語からよく使われる話題を探したい場合は一番左の語が書かれている列にカーソルをあてた状態で、検索機能を使って探してください。解説の動画を用意しました。