MALINDO Concとは

• コーパス（データ）ではない
• コーパス検索システム
  ...のうちでも、コンコーダンサー
  cf. Laurence Anthony氏によるAntシリーズ http://www.laurenceanthony.net/software.html

なぜ作ることになったか

1. コーパスを使って、現代マレー語の統語論の研究がしたい
   既存のコーパスで主にできるのは、
   • 語彙の研究
     言語図書局コーパス
     http://sbmb.dbp.gov.my/korpusdbp/SelectUserCat.aspx
   • 古典マレー語の研究
     オーストラリア国立大学のMalay Concordance Project
     https://mcp.anu.edu.au
2. コーパス言語学・自然言語処理における言語格差 cf. 野元 (2016)
   = マレー語でも同じレベルの研究ができるようにしたい
   • BNC（英語）, COCA（米語）, BCCWJ（日本語）のように、みんなが使える共通のデータをマレー語にも作りたい
   • アノテーション付きコーパス
3. 頭脳循環を加速する戦略的国際研究ネットワーク推進プログラム (2016.10-2018.3)、国際的な活躍が期待できる研究者の育成事業 (2018.4-2019.3)
   
   「インドネシア語のコーパス作らない？ヒンディー語でも最近作ったみたいだし。」
   大阪大学のCorpus of Spoken Hindi (COSH) http://www.cosh.site

第1回ミーティング(2016年)

• COSHの実装を担当した赤瀬川史朗氏と会う
• コーパスは作らないことにする
• ライプツィヒコーパスコレクション（Goldhahn et al. 2012）を使う
  http://corpora.uni-leipzig.de
• 言語判定に問題発覚（←マレー語・インドネシア語特有の問題）
  やり直すことに (Nomoto et al. 2018a)

MALINDO Concの概略

• https://malindo.aa-ken.jp
• データ
  • ライプツィヒコーパスコレクション再編版（言語判定は改善したが、完璧ではない）
    30万文（約500万語）／サブコーパス
  • インドネシア語カエルの話 (Moeljadi 2014)
  • マレー語変種コーパス（標準口語、サバ方言） (Nomoto 2018; Kartini & Nomoto 2018)
• 特長
  • 形態情報による検索
  • コロケーション指定
  • 検索結果のダウンロード（Excel形式）
  • マレー語・インドネシア語の検索、ユーザーガイド

実演

1. マレー語「ウェーイ」
2. マレー語とインドネシア語の違い：lakiの派生語（「男」など）
3. おかしなコントロール (Nomoto 2011)
   Pintu harap di- tutup.
   door hope PASS-close
   「ドアは閉められたい。」
   
   • 本当に2つの解釈は存在するか？ cf. Jeuong (2018)
   • 統語構造と解釈の関係
     • 主節の述語が補文（CP）を取ると、曖昧性は生じない
     • どのような補文標識（C）を取るか？
   • ingin「欲する」で調べてみる

形態情報による検索が実現するまで

形態情報辞書MALINDO Morph (Nomoto et al. 2018b)

• https://github.com/matbahasa/MALINDO_Morph

• ID [タブ] 語根 [タブ] 表層形 [タブ] 接頭辞・後接語 [タブ] 接尾辞・前接語 [タブ] 周接辞 [タブ] 重複の種類 [タブ] 出典

  cc-4023 ada mengada-adakan  meN-    -kan    0   R-penuh Kamus
  ec-7280 ada diada-adakan    di- -kan    0   R-penuh Leipzig
  ex-89426    tanggungjawab   dipertanggungjawabkannya    di-+per-    -kan+-nya   0   0 Leipzig
  ex-89427    tanggungjawab   kebertanggungjawabannya ber-    -nya    ke--an  0 Leipzig

• 233,372行（ライプツィヒコーパスのいずれかのサブコーパスで頻度10以上の語）

• 形態素解析プログラム＋人手による確認（cc-、ec-のみ）

コーパスへの形態情報付与

• XML形式

   <w rt="ada" s1="-lah">Adalah</w>
   <w rt="mudah">mudah</w>
   <w rt="bagi">bagi</w>
   <w rt="anak" r="R-penuh"> anak-anak</w>
   <w rt="yang">yang</w>
   <w rt="sudah">sudah</w>
   <w rt="biasa">biasa</w>
   <w rt="didik" p1="ter-">terdidik</w>
   <w rt="atas">atas</w>
   <w rt="sikap">sikap</w>
   <w rt="bakti" p1="ber-">berbakti</w>
   <w rt="dan">dan</w>
   <w rt="hormat" p1="meN-" s1="-i">menghormati</w>
   <w rt="dua" p1="ke-">kedua</w>
   <w rt="ibu bapa" s1="-nya">ibubapanya</w>

• MALINDO Morphに基づく機械的な付与＋人手による形態的曖昧性の解消
• 形態的に曖昧な語
  1. penanya
     1. peN- + tanya「質問者」
     2. pena + -nya「彼（女）のペン」
  2. pelatih（マレー語）
     1. peN- + latih「訓練者、指導者、trainer」
     2. pe- + latih「訓練生、trainee」
  3. mereka（超頻出語）
     1. mereka「彼（女）ら」
     2. meN- + reka「創作する、考え出す」

今後の展望

• 研究・教育に利用する
  • NUSA特集号"Linguistic studies using large annotated corpora"
  • 「マレーシア語表現7」のアクティブラーニング
  • 形態情報付きコーパスデータを使った共同研究
• 広報・普及活動
  • KOLITA (2019/4/10-12、ジャカルタ) Nomoto (2019)
  • マレーシア、インドネシアでのワークショップ
    → 国際共同研究につなげたい
• 改良
  • データの追加（マレー語変種、インドネシア語の話し言葉）
  • 品詞でも検索できるようにしてほしいという声
    → 技術的には可能になりつつあるが、MALINDO Concに載せるには100万～200万円の予算が必要
• 維持・管理
  • 赤瀬川さんは学外の人なので、学外サーバーを借り、保守委託をする必要
    → 約25万円／年
  • 学内で長期的に維持・管理（＋開発）ができる体制が欲しい
    cf. TUFS言語モジュール、語研論集特集データ、言語アーカイブ

参考文献

• Goldhahn, Dirk, Thomas Eckart & Uwe Quasthoff. 2012. Building large monolingual dictionaries at the Leipzig Corpora Collection: From 100 to 200 languages. In Proceedings of the Eighth International Conference on Language Resources and Evaluation (LREC'12).
• Jeoung, Helen. 2018. Revisiting crossed control in Indonesian. The 22nd International Symposium on Malay/Indonesian Linguistics (ISMIL)での発表論文.
• Kartini Abd. Wahab & Hiroki Nomoto. 2018. Korpus Variasi Bahasa Melayu: Sabah. https://github.com/matbahasa/Melayu_Sabah
• Moeljadi, David. 2014. Usage of Indonesian possessive verbal predicates: A statistical analysis based on storytelling survey. Tokyo University Linguistic Papers 35: 155-176.
• Nomoto, Hiroki. 2011. Analisis seragam bagi kawalan lucu［おかしなコントロールの統一的分析］. In Hiroki Nomoto et al. (eds.) Isamu Shoho: Tinta Kenangan "Kumpulan Esei Bahasa dan Linguistik", 44-91. Kuala Lumpur: Dewan Bahasa dan Pustaka.
• 野元裕樹. 2016.「英語格差を生きる」. 東京外国語大学言語文化学部（編）『言葉から社会を考える： この時代に〈他者〉とどう向き合うか』, 65-67. 白水社.
• Nomoto, Hiroki. 2018. Korpus Variasi Bahasa Melayu: Standard Lisan. https://github.com/matbahasa/Melayu_Standard_Lisan
• Nomoto, Hiroki. 2019. Pengembangan sumber bahasa digital dan konsep asas dalam linguistik Melayu/Indonesia［デジタル言語資源開発とマレー・インドネシア語学の基礎概念］. Konferensi Linguistik Atma Jaya (KOLITA) 17での発表論文.
• Nomoto, Hiroki, Shiro Akasegawa & Asako Shiohara. 2018a. Reclassification of the Leipzig Corpora Collection for Malay and Indonesian. NUSA 65: 47-66.
• Nomoto, Hiroki, Hannah Choi, David Moeljadi & Francis Bond. 2018b. MALINDO Morph: Morphological dictionary and analyser for Malay/Indonesian. In Kiyoaki Shirai (ed.) Proceedings of the LREC 2018 Workshop "The 13th Workshop on Asian Language Resources", 36-43.