国立国語研究所は今年３月、『現代日本語 書き言葉均衡コーパス第2部』（ＢＣＣＷＪ２）の一般公開を開始した。文化庁委託事業により構築するＢＣＣＷＪ２は、従来のＢＣＣＷＪ１と統合することで、高品質な２億語規模の書き言葉のデータを提供するもの。言語研究に加え、生成ＡＩ開発、言語教育、辞書編纂、言語政策など、幅広い分野での活用が期待される。

コーパスとは、書籍やウェブなどで実際に使われた言葉を大量に収集、整理したデータベース。言葉の使われ方や意味の変化を客観的に調査・分析することができ、研究や産業分野で広く活用されている。

ＢＣＣＷＪ２は２１世紀の日本語の変化を可視化していることが特徴。ＢＣＣＷＪ１と合わせて利用することで、２００１～２０２５年の日本語の変化を分析できる。ＢＣＣＷＪ１（２０１１年公開）では見られなかった「スマートフォン」「ツイッター」「ｉＰａｄ」「ＬＣＣ（ローコストキャリア）」などの用例も確認できるようになった。

また、ＢＣＣＷＪ２は生成ＡＩ時代以前の日本語を収録した最後のコーパスとなっている。ＢＣＣＷＪ２には、生成ＡＩによる文章生成が普及する以前の書き言葉が収録されている。このため、「人によって書かれた日本語」を体系的に収録した最後の大規模コーパスと位置づけられ、高品質な日本語ＡＩ開発を支える基盤データとして、大規模言語モデルの再学習や性能 評価への活用が期待される。