1.『現代日本語書き言葉均衡コーパス』とは

『現代日本語書き言葉均衡コーパス』は，国立国語研究所が構築を進めている現代日本語の大規模なデータベースです。最終的な規模は1億語以上，本年度から2010年度までの五か年で構築を終え,2011年の春には一般公開する予定です。構築作業の一部は文部科学省科学研究費補助金特定領域研究「日本語コーパス」の補助によって実施しています。

2．KOTONOHA計画

『現代日本語書き言葉均衡コーパス』は，近現代の日本語全体をデータベース化しようとするKOTONOHA計画の一部として位置づけられています。図1はそのKOTONOHA計画の全体像を示しています。図の中央には時間軸が走っており，明治から現代までの時間をあらわしています。また時間軸の上部は書き言葉，下部は話し言葉に該当します。書き言葉を代表するジャンルには「書籍」「新聞」「雑誌」「ウェブ」を，また話し言葉のジャンルとして「モノローグ」「対話」「雑談」を認めています。

KOTONOHA計画は，今後数十年の間に一連のコーパスを構築することによって，近現代の日本語の全体像を可能な限り広く，また歪(ゆが)みのない形で記録に残すことをめざしており，これまでに『太陽コーパス』,『日本語話し言葉コーパス』のふたつを公開してきました。図1左上の「太陽」と記された楕円(だえん)と右下の「CSJ」(Corpus of Spontaneous Japanese)と記された楕円がこれに該当します。また図の下部には，近現代の日本語史における重要な出来事が記入されています。

明治・大正期の「言文一致」運動，終戦直後の「現代かなづかい」と「当用漢字」の告示(1946)，そして1980年前後におけるJIS漢字コードの制定(1978，1983)と常用漢字の告示(1981)です。『現代日本語書き言葉均衡コーパス』はJISコード制定後の情報化社会における書き言葉のコーパスです。

3.『現代日本語書き言葉均衡コーパス』の構造

『現代日本語書き言葉均衡コーパス』は三種類のサブコーパスから構成されています。

図2左上の「生産実態サブコーパス」は，2001年から2005年の間に出版されたすべての書籍，雑誌，新聞を母集団として，そこから約3500万語を無作為に抽出したコーパスです。テキストの内容による選別は行っていません。

図2右上の「流通実態サブコーパス」は東京都下の公共図書館に収蔵されている書籍を母集団として約3000万語をやはり無作為に抽出したコーパスです。最長で過去30年間分の書籍が対象となること，一定数（例えば10館以上）の公共図書館に所蔵されている図書のみが対象となる点で，生産実態サブコーパスの書籍部分とは異なっています。

最後に「非母集団サブコーパス」は，特定の母集団を設定することなく，国立国語研究所が実施する研究に必要な書き言葉データを格納しています。政府が刊行する白書，法律，国会の会議録，検定教科書，ベストセラーなどを予定しています。また現代の書き言葉の著しい特徴であるインターネット(WWW)上の書き言葉のデータも重要な対象です。非母集団サブコーパスの規模は約3500万語を予定しています。

4．コーパスの構築方法と進捗状況

以下では『現代日本語書き言葉均衡コーパス』を構築するプロセスを書籍を例にとって説明します。このような手順に沿って，2007年3月時点で，約1500科学研究費特定領域研究「日本語コーパス」万語相当のサンプルの著作権処理が終了し，そのうち500万語分の電子化が終了しています。

5．関連URL

KOTONOHA計画：http://www.kokken.go.jp/kotonoha/
科学研究費特定領域研究「日本語コーパス」：http://www.tokuteicorpus.jp/ (廃止)

（前川 喜久雄・山崎 誠)