(30)の確認方法として，本章ではRNC-Mと同じテキストのサンプリング比率で構成された100
万語コーパスを5つ作成し，これらと RNC-Mにおける語彙の重複数を確認する（詳細は 4.3.で 後述する）．本章は比較対象としてRNC-Mを採用するが，その理由は，RNC-Mは規模が大きく 信頼性の高い頻度情報を提供し，かつ，その内部構 が判明していて再現可能な唯一の現代ロシ ア語の書き言葉均衡コーパスだからである（他の均衡コーパスには，規模が小さい，または内部 構 が不明瞭であるという問題がある）．また，RNC-Mのデータは頻度辞書 (Ляшевская, Шаров
2009)にまとめられているだけでなく，web上でも一般に公開されている．
グラフ1は，自作100語コーパスの内部構 のイメージを表している．
9,200万語のRNC-Mの内部構 を100万語規模で再現
グラフ1. 自作100万語コーパスの内部構 のイメージ
グラフが示すように，RNC-Mを構成するテキストのサンプリング比率を，5つの自作コーパスに おいて100万語規模で再現する．これらのコーパスに含まれるテキストは，約39%が「芸術文学」，
約42%が「社会・政治評論」，約17%が「芸術文学以外の文献」，約1%が「口頭会話」といった
ジャンルから成る．つまり，5つの自作コーパスは100万語規模のRNC-Mであると言える．
4.2.1.以降でRNC-Mの内部構 に触れながら，100万語コーパスの作成について言及する131．
4.2.1. 自作100万語コーパスにおけるテキストのサンプリング比率
ロシア語を対象とした言語学の研究において，統計学を用いた量的な分析手法はよく見受けら れる．だが，その適用が「妥当性を有するのは，得られたデータから内容のある（質的な）結果 が導ける場合のみである．<...> なぜなら，なんらかの現象の単なる計算からは何も明らかにはな らないからである」(Зиндер, Строева 1968: 121)．量的な分析結果は質的に解釈されなければなら
131 なお，本章はより規模の大きい現行RNC-Mではなく，RNC-Mを自作コーパスの比較対象に採用した が，理由は以下の通りである：現行RNC-Mは，一定の間隔で総語数を増やし続けているためその内部 構 は変化している．そのため，現行RNC-M はweb上で内部構 の比率を公開してはいるものの，
そのデータは今のバージョン（検索に使用できる現行RNC-M）のデータと一致しない（アクセス日 2018 年2月9日）．また，現行 RNC-M はレマ単位の頻度データを一般に公開しておらず，その頻度辞書も出 ていない．そのため，本章はRNC-Mを自作コーパスの比較対象に用いている．
0 10,000,000 20,000,000 30,000,000 40,000,000 50,000,000 60,000,000 70,000,000 80,000,000 90,000,000
RNC-M (9,200万語)
0 200,000 400,000 600,000 800,000 1,000,000
芸術文学 社会・政治評論 芸術文学以外の文献
口頭会話 その他
ず，「理論的な解釈の欠如はその分析から意味を奪って」(Москвин 2015: 82) しまう．したがって，
単にテキストを100万語集めたコーパスとRNC-Mを比較しても，得られた結果にそれほど意味 はない．通常，代表性のあるコーパスの設計に際しては，実証的な調査や理論的な分析がコーパ スのデザインや実際のテキスト収集に先立たなければならないが (cf Biber 1993a: 255-256)，本章 の自作100万語コーパスは，Ляшевская, Шаров (2009)が提示しているRNC-Mの内部構 を模し て作成される．したがって，RNC-Mと自作100万語コーパスとの比較から得られる分析結果は，
質的に解釈が可能である．
RNC-Mのジャンル毎の総語数（3.3.5.参照）とテキスト数を約100 万語サイズに縮小すると，
以下のような数値が得られる．
表31. 自作100万語コーパスの内部構 （計画案）
テキストのジャンル 比率 総語数 テキスト数 1. 芸術文学 39.04% 390,400×5 24×5 2. 社会・政治評論 42.21% 422,100×5 274×5
3.
芸術文学以外の文献 17.16% 171,600×5 75×5
– 教育・学術 11.30% 113,000×5 40×5
– 公式・業務文書 1.62% 16,200×5 11×5
– 電子媒体でのやりとり 1.49% 14,900×5 1×5
– 教会・神学 1.44% 14,400×5 5×5
– 広告 0.57% 5,700×5 12×5
– 実生活 0.48% 4,800×5 4×5
– 製 技術 0.26% 2,600×5 1×5
4. パブリックではない口頭会話 0.88% 8,800×5 10×5 5. その他（調整用） 0.71% 7,100×5 1×5
合計 100% 1,000,000×5 383×5
表31が示すジャンル毎の総語数とテキスト数に基づいて，5つのコーパスを作成する．
なお，RNC-M では上記のジャンルよりも細かな区分が設定されている．例えば，芸術文学と いうジャンルの元には「一般的な散文」，「歴史小説」，「冒険小説」といった区分がある．さらに，
それらは「長編，中編，短編小説」，「詩」，「物語」，「寓話」などに分かれる．残りのジャンルの 下位区分には，「記事」，「インタビュー」，「スピーチ」，「報告書」，「教科書」といった多様な項目 が存在する132．
ただ，RNC-Mの頻度辞書 (Ляшевская, Шаров 2009)やRNC-Mの内部構成に関する論文 (Савчук
2005)からは下位区分の比率までは読み取ることができない．そこで，本章ではまず現行 RNC-M
132 詳細は以下のサイトを参照されたい：URL: http://www.ruscorpora.ru/corpora-parameter.html
のアノテーション情報から下位区分の比率を概算した133．そして，自作100万語コーパスにおけ るジャンル別の下位区分の比率を現行RNC-Mのそれに近づけるようにテキストを収集した．例 えば，「社会・政治評論」のジャンルは，「記事」のテキストが全体の半数を占め，「小記事」，「モ ノグラフ」などに属するテキストが次に続く134．
4.2.2. 自作100万語コーパスにおけるテキストの収集法
5つの自作100万語コーパスを構成するテキストは，1) webからの抽出，2) OCRによる読み取 り，そして3) 自らの打ち込みによってデータ（txtファイル）化された．収集に際しては，主に
1)の手法を用いた．なお，テキストの抽出元は，可能な限りRNC-Mや現行RNC-Mと同じリソー
スや類似のリソースを採用した135．
まず，サンプリング比率の約4割を占める「芸術文学」に関しては，Lib.Ruというサイト（2.2.
参照）から条件に合うテキストを収集した（2,000年以降に書かれた作品を中心に収集）．そして，
同様に全体の約4割を構成する「社会・政治評論」のテキストは，現行RNC-Mのアノテーショ ン情報を参考にして，なるべくそこで採用されている雑誌やその電子版，類似のwebリソースか ら収集した．「芸術文学以外の文献」は，1テキストのサイズが小さいため条件に合うテキストを 主にwebでその都度探した．口頭会話のテキストは，費用的な問題などで研究に耐え得る量を集 めることが困難であったため，現行 RNC-Mに含まれる口頭会話のテキストを自作コーパスに採 用した136．
収集するテキストの性質について以下の2点に留意した： 1) RNC-Mはテキストの一部を切り 取るのではなく，最初から最後まで，つまり，テキストは丸ごと抽出するという方針をとってい る (Савчук 2005: 68-70)．これは，語彙は文章の位置によって使われる項目が異なっており，前半，
中盤，後半といった一部だけを切り取ると，コーパスが提示する生起頻度の情報が実際のそれと 乖離する可能性を考慮しての措置であろう．この点に関して本章はRNC-Mの方針に従う．ただ，
133 下位区分の比率を計算した際のコーパス規模は265,401,717語であり，現行のバージョンよりも古い（ア クセス日：2017/12/12）．
134 芸術文学以外のジャンルには，「経済」，「政治」，「科学」，「技術」などのさらに細かいテキストのテー マ (тематика текста)という区分も存在する（例：社会・政治評論 → 記事 → 経済）．だが，多くのテ キストが複数のテーマを有しており，自作コーパスにおいて現行RNC-Mの比率を再現することは不可 能である．そこで，本章ではなるべくテーマが偏らないように配慮してテキストを収集した．
135 著者が過去（2016年10月から2017年10月）に所属したロシア科学アカデミー V.V. ヴィノグラード フ名称ロシア語研究所には，RNC-Mの頻度辞書の著者であるО.Н. Ляшевскаяと，RNC-Mを構成する テキストの収集に従事したС.О. Савчукが在籍している．研究を進めるにあたって，両者にテキストを 収集したリソースに関する質問をし，その情報を得ている．
136 5万語分の口語会話のテキストの使用許可を，RNCの権利元であるロシア科学アカデミー V.V. ヴィノ グラードフ名称ロシア語研究所へ申請した．著者個人として同研究所と契約書を交わし，商業的な理由 で当データを使用しないという条件で許可を得ている．
例外として総語数の多いテキストは節や章の単位で抽出した．2) Ляшевская, Шаров (2009)の
RNC-M を構成するテキストの作成年は1950年から2007年までと幅が広い．ただし，本章のコ
ーパスは100万語と総語数はけして大きくはない．かつ，古いテキストの収集は難しい．そのた め，自作100万語コーパスは21世紀以降のテキストで大半が構成されるように設計した（なお，
9割以上のテキストが2015年，2016年に作成されたものである）．
4.2.3. 自作100万語コーパスにおける総語数の数え方
前述の基準でテキストを収集し，総語数100万のコーパスを5つ作成した．完成した自作コー パスの総語数はSketch Engineで計測したが，比較対象であるRNC-Mと語を数える際の基準がい くつかの点で異なる．そのため，コーパスの総語数やレマ化された頻度リストを比較する場合，
RNC-MとSketch Engineの計量の基準はどちらかに統一しなければならない．
総語数を数えるにあたってRNC-MとSketch Engineの間に違いがある場合，基本的に前者の基 準を優先する：1) RNC-M においてアラビア数字は，コンマやピリオドと異なり，語としてカウ ントされている．一方，Sketch Engineはこれらを語として扱っていない．そこで，本章ではRNC-M の基準に合わせてアラビア数字を語として扱い，総語数や語の頻度を計算した（4.2.4.では，自作 コーパスにおける高頻度語のテキストカバー率に言及するが，その際の分析はアラビア数字もカ バー率の計算に含んでいる）．ただし，RNC-Mの頻度辞書のリストからはアラビア数字は削除さ れているので，この点も本章はRNC-Mの基準に揃えている．2) RNC-Mにおいてрис./risやтел./tel.
といった省略された形態は，元のрисунок/risok「イラスト」とтелефон/telefon「電話」として頻 度がカウントされているが，Sketch Engineではその処理は行われずにそのままとなっている．そ
こで，Григорьева (ред.) (2012)の基準に合わせて，このような省略形は自作100万語コーパス内で
元の形に戻してある．また，Григорьева (ред.) (2012)に記載がないものの，広く用いられている省 略形にも同様の措置を施した．3) ハイフンでつながれた複合語は，RNC-MではЗализняк (1977) の記載に従ってそのまま1 語とするか，2語としてカウントするかを決めている（記載されてい れば1語として，記載が無ければ2語として処理）．Sketch Engineではすべての複合語をそのま ま1語として扱っているため，本章では手作業で一つひとつ複合語を確認していった（確認の範 囲は，分析対象の高頻度5,000語内の複合語に限っている．ただ，複合語自体がそれほど多くな いので，後述の分析に大きな影響はない）．
なお，RNC-MとSketch Engine共にinternetやmailといったラテン文字で書かれた語を総語数 に含んでいる．ただ，アラビア数字と同様に，このような語はЛяшевская, Шаров (2009)の頻度リ ストからは除外されている．ラテン文字で書かれた語は自作コーパスにおいても総語数に含める