母音の連接頻度

月見草開発に用いた文章サンプルで公開されている、かなの連接表を使わせていただき、母音の連接という観点から集計してみた。

母音の連接というのは、要は「ひらがな」なら「iaaa」、「キーボード」なら「ioo」、「魚は羽ばたかなかった」なら「aaaaaaaaaaa」となる。

ローマ字配列は母音を一方の片手、子音を逆の片手にまとめて左右交互打鍵を実現しているものが多い。そのため、母音に限定した連接頻度は、母音を担当する手の運指を考慮する上で役に立つのではと思った。

ソース詳細は上記のリンク先参照。

文章サンプルは口語体を多く採用しました。

青空文庫　11,032,631 バイト
某知恵袋　21,211,842 バイト
ビジネス文書　2,278,528 バイト
Wikisource　2,092,621 バイト
Wikipedia　964,471 バイト
ニュース記事　1,089,780 バイト

文字数は濁点は０、捨て仮名も一文字としています。また「、。・ー」及び開き括弧がカウントされています。括弧は「『（をまとめて集計しました。

かなgramのデータは出現回数8回未満は切られている。

捨て仮名も一文字としているので、ローマ字で打鍵する母音とは必ずしも一致しない。

例えば2gramデータで「おし」が10670個とあるが、だからといって「oi」という母音の連接が10670個になるわけではない。「おしゃれ」「おしょう」などの一部である可能性もある。この場合、母音の連接は「oa」「ou」として扱わなければならないが、では10670個の内いくつが「おしゃ」でいくつが「おしょ」なのかは2gramからでは分からない。

そのため、3gramデータの最初の2文字を集計した。

• 基本は1文字目と2文字目の母音で集計する
• 1または2文字目に記号「、。ー・括弧」促音「っ」が含まれるデータは集計しない
• 2文字目が捨て仮名（ぁぃぅぇぉゃゅょゎ）のデータは集計しない
• 3文字目が捨て仮名（ぁぃぅぇぉゃゅょゎ）の場合、2文字目でなく3文字目の母音で集計する
• 撥音「ん」は「ん」のまま集計する

つまりは3文字目の母音を知る必要があるが、正しい母音が上記の理由で正確には分からない連接は集計していない。一応、不当に高いまたは低い評価をされる連結が無いように気をつけたつもりだが、見落としがある可能性は否定できない。

「だったのだが、そこで」のように促音や長音、記号を挟んでの連接は考慮しない。促音と長音は考慮したかったが、データの都合上出来なかった。よって促音・長音を挟む連接（「楽器」の「ai」、「ボール」の「ou」など）はカウントされていないため、もしある連接がこの形で特によく出てくるとすれば、それは低く評価されてしまっている。ただ、促音や長音は子音側でより多くのキーを打鍵しているため、「子音1つを挟んだ母音の連接」と同列に評価すべきかは一考を要するポイントである。

撥音は、母音側の手に「ん」を一打で入力するキーを配置することを想定し、今回の集計では母音のように扱っている。

「間に子音を挟まない連接」は母音側の指で2回続けて打つ。

「間に子音を1つ挟む連接」は1打目の母音を入力後、（逆の手で）子音を入力してから2打目を打つ。

見栄えを整えるため、ya=x, yu=y, yo=z と表記する

間に子音を挟む場合と挟まない場合で、順位に差が見られた。 「○I」のように二重母音の2文字目としての「い」は頻出するが、子音を挟むとその頻度は母音5種の中でも下位になる。

また、間に子音を挟む連接を見ると、5母音の中では下位のデータ(ee)でも1位のデータ(ia)の7～8分の1程度で大きな差があるとは言えない。 結局どの連接もそれなりに出てくるため、ローマ字配列での母音の配置の最適化というものは、出来なくはないが、効果は実感しにくいと思われる。

今回は母音に限定した2連接を集計したが、3連接以上を不足無く集計する場合、理論的には「促音・長音を含めた1音節の最大仮名文字数」×「連接数」－2gramのかな連接データが必要となる。（強引な例だが、「キャッチャー直球」の頭から4連接を「aaou」と正しく求めるには「ゃっちゃーちょっきゅ」の10かなが必要。3×4-2=10。）でも現実的には、それより「連接数－2」くらい少なくても十分だろう。

既存のローマ字配列には、子音に続けて「ann」「ai」「ou」などを一度に入力できる二重母音・撥音拡張を持つものがあるが、それらを考慮に入れる場合、母音の2連接の集計には最低かな6gramのデータが必要となる。そのデータを集めることが出来れば、二重母音(上段)→撥音(下段)などの跳躍を考慮した、より負担の少ない母音配置を求めることが期待できる。

今回の集計では句読点、括弧、長音は入れていないが、それらのキーを母音側に配置するとすれば、母音と同列に考えた方がよい。

想定する配列によって、集計に入れるべき対象、除くべき対象、音節の扱い方が変わってくるため、一つの集計結果を基に万能な配列に適用することは出来ない。 今回の結果は「母音を片手にまとめて」「撥音「ん」のみ母音側に配置し」「省入力拡張は使用しない」配列が前提である点に注意する。

どこに書こうか迷ったが、とりあえずここに。「課題・発展」の追記部分を継承する内容。

思いつく範囲で、「品詞は分かれているが普段自分が拡張を使っている例」を挙げてみた。解析辞書はunidic-MeCabを使用。

話し言葉で使われる語尾「終助詞い」で幾つかあるが、列挙できないほどではない。また、漏れがあっても致命的な影響は出ないと思われる。「知らないやい」「どうしてこうなったい」は一語で登録されていた。

思い出しでの探索には限界がある。「自分が拡張を使うかどうか」は機械的な判断ができないため確認は自分で行うしかないが、せめて怪しい単語を一覧で抽出できれば確認作業が楽になる。どのように抽出すべきか。

あと、辞書登録だけでは対処しにくい構文があった。「準体助詞ん」である。

「そうなんだ」「写るんです」など、用言の連体形に付いて体言に変化させる役割を持った助詞。これも自分は拡張を使っている。連体形なら何でもくっつくので、まさか既存辞書の全ての用言に対して各々これをくっつけた品詞を作って登録するわけにもいかない。口語体ならよく見る構文なので切って捨てるわけにもいかない。

現在撥音拡張のある配列を使っていて思うことだが、「ん」はほとんど拡張を使い、Nの2回打鍵で入力することは少ない。なので「ん」の拡張がらみに関しては、『分かち書き出力後「ん」の直前が分かたれていれば前に繋げる』というルールで間に合う気がする。これによって困る例はあるだろうか。確かめてみた。

辞書のソースファイルを覗いて、読みが「ん」から始まる品詞を調べた。結果、助詞や助動詞の「ん」は全て拡張を使った方が自分の打ち方とあっていた。他の例では固有名詞、感動詞（んっと）、連体詞（あんな→んな）、接続詞（それで→んで）、動詞（なさる→んさる）など。これらは拡張を使って打たないため、誤判定になる。だが、「ん」から始まる固有名詞や動詞はほぼ出てこない。残りは砕けた書体で見るものもあったが、誤判定となるのは「直前に（句読点や括弧でなく）かなが来る場合」であり、その条件にあてはまるものは少ないと思われる。ちゃんとやるならきっちり「何％以下だから無視できるものとする」と調べた方がいいのだろうが、まぁ、余力があれば…。

なので、「ん」は分かち書き出力後、一律で前に繋げるものとする。