OCX Standard v0.61β
最終更新日: 2026-11-18 小木曽
v0.5 からの主な変更点は 付録 D にまとめています。旧版は OCX Standard v0.5 を参照してください。
目次
- 1. 目的と位置づけ
- 2. 基本原則
- 3. 名前空間と接頭辞運用
- 4. 文書構造
- 5. TEI 語彙の利用
- 6. 文境界
- 7. 割書(warigaki)
- 8. ルビ(フリガナ)
- 9. 踊り字(odoriji)
- 10. 濁点付与(vMark)
- 11. 誤字・脱字・衍字(corr)
- 12. 注記
- 13. 解析制御
- 14. 解析入力生成規則(要約)
- 15. 適合性(Conformance)
- 16. 互換性と拡張
- 付録 A: 用語
- 付録 B: 実装者向けメモ
- 付録 C: TEI ガイドラインとの対応と相違点
- 付録 D: v0.5 からの変更点
1. 目的と位置づけ
OCX (Open CHJ XML) は、日本語テキストを中心とする人文系資料を対象に、次を同時に満たすことを目的とした XML 規格です。
- 形態素解析・構文解析などの言語解析に適したテキスト表現
- 文字オフセット(character offsets)に基づく解析結果管理
- 原文表記(割書・ルビ・踊り字等)の保持
OCX Standard は、OCX mini(最小マークアップ)を包含しつつ、TEI 語彙を利用し、OCX 独自語彙で解析制御を明示します。
本規格は TEI 文書そのものではありません(TEI の語彙を借用しつつ、解析用途に最適化します)。TEI ガイドラインとの対応と相違点は 付録 C にまとめています。
TEI を使わずに OCX Standard の文書を作ることもできます。その手順は、OCX Standard の作り方(TEI を使わない場合) を参照してください。
1.1 OCX mini との関係
OCX mini の要素(ocx:doc, ocx:eos, ocx:r, ocx:comment)は、OCX Standard でも同じ意味で使用できます。OCX mini 準拠文書は、そのまま OCX Standard 準拠文書です。
- 文境界は、OCX Standard では
tei:sまたはocx:eosで表します(6章)。OCX mini のocx:eosによる文境界はそのまま有効です。 - OCX mini で認めている デフォルト名前空間による接頭辞の省略(
<doc>,<eos/>など)は、OCX の要素だけで書かれた文書であれば OCX Standard でも認めます(3.3)。
2. 基本原則
- 本文に含まれる文字は、原則としてすべて解析対象とします。
- 形態素解析を行わない範囲(解析対象外)は、
ocx:skipによって明示します。解析対象外の範囲も本文文字列としては残り、規則による擬似トークン化で短単位と品詞(pos)が与えられます(13.2)。 - 原文表記(ルビ・踊り字など)や注記の情報は、属性値として本文文字列と分離して保持します。属性値は解析用テキストに含めません。
- XML 要素の交差を避け、実装可能性を優先します。
- TEI など他の名前空間の要素と組み合わせる文書では、名前空間を接頭辞付きで記述し、OCX 要素は常に
ocx:接頭辞で識別できるようにします。OCX の要素だけで書く文書では、接頭辞を省略できます(3.3)。
3. 名前空間と接頭辞運用
3.1 名前空間宣言
xmlns:ocx="https://openchj.github.io/ns/ocx"
xmlns:tei="http://www.tei-c.org/ns/1.0"
3.2 接頭辞の運用方針(重要)
- TEI や XHTML など、OCX 以外の名前空間の要素を含む文書では、OCX 独自語彙(
ocx:*)は 常に接頭辞付きで記述します。 - OCX 文書が XHTML 等の文書に埋め込まれる場合、埋め込み先文書(例:XHTML 本文)の要素は 接頭辞なし(デフォルト名前空間)で記述して構いません。
- ただし、その場合でも OCX 要素は必ず
ocx:接頭辞を付与します。
この方針により、(a) 他の名前空間の要素と OCX 要素を見分けやすくし、(b) 埋め込み先(XHTML 等)の既存ツールチェーンとの親和性を保ちます。
例(XHTML への埋め込み):
<html xmlns="http://www.w3.org/1999/xhtml"
xmlns:ocx="https://openchj.github.io/ns/ocx">
<body>
<ocx:doc textID="…" corpusName="…">
…
</ocx:doc>
</body>
</html>
3.3 接頭辞の省略(OCX の要素だけで書く文書)
次の条件をすべて満たす文書では、OCX 要素の ocx: 接頭辞を省略できます。
- 文書に OCX 以外の名前空間の要素(TEI, XHTML など)を含まない
- ルート要素でデフォルト名前空間を
xmlns="https://openchj.github.io/ns/ocx"と宣言する - 一つの文書の中で、接頭辞付きの書き方と省略した書き方を混在させない
<doc textID="作品ID" corpusName="コーパス名" xmlns="https://openchj.github.io/ns/ocx">
これは文です。<eos/>
これは<r rt="ふた">二</r>文目です。<eos/>
</doc>
接頭辞を省略しても、名前空間を考慮して処理すれば <eos/> と <ocx:eos/> は同じ要素です。本仕様では、説明の都合上、要素名を常に ocx: 付きで表記します。
4. 文書構造
4.1 ルート要素 ocx:doc
<ocx:doc textID="…" corpusName="…" xmlns:ocx="https://openchj.github.io/ns/ocx">
…
</ocx:doc>
| 属性 | 必須 | 内容 |
|---|---|---|
textID |
○ | テキスト識別子 |
corpusName |
○ | コーパス名 |
4.2 解析対象範囲
解析対象となるのは ocx:doc の内部のみです。tei:front, tei:back などの要素も、ocx:doc の内部にあれば解析対象になります。埋め込み先文書(XHTML の head など)のうち ocx:doc の外にある部分は解析対象になりません。
書誌情報などのヘッダー(tei:teiHeader や XHTML の head など)は、ocx:doc の 外 に置きます。ocx:doc の内部に置くと、その文字列が解析対象になります。
4.3 最小例(標準)
<ocx:doc textID="作品ID" corpusName="コーパス名"
xmlns:ocx="https://openchj.github.io/ns/ocx"
xmlns:tei="http://www.tei-c.org/ns/1.0">
<tei:body>
<tei:p>
<tei:s>これは文です。</tei:s>
<tei:s>これは二文目です。</tei:s>
</tei:p>
</tei:body>
</ocx:doc>
5. TEI 語彙の利用
OCX Standard は TEI 語彙を 閉じたサブセットとしては限定しません。OCX の原則(2章:本文中の文字は原則としてすべて解析対象となり、読み・注記などを本文文字列に混ぜない)を破らない TEI 要素は使用できます。TEI ガイドラインとの相違点は 付録 C を参照してください。
5.1 よく用いる TEI 要素
次の要素は OCX Standard でよく用いる TEI 要素です(これに限定するものではありません)。
tei:front,tei:body,tei:backtei:div,tei:p,tei:stei:headtei:sp,tei:speaker,tei:saidtei:pb,tei:lb,tei:g
このうち OCX Standard が解析上の意味を与えるのは tei:s(文境界、6章)のみです。その他の TEI 要素は、上記の一覧にないものも含め、解析入力生成ではタグを無視し、要素内容の文字列を通常の本文として扱います。
tei:speaker(話者表示)やtei:head(見出し)の文字列も解析対象です。解析から除きたい情報は、本文に書かずに属性値(例:tei:sp@who)に記録します。tei:foreignなどで外国語であることを示しても、形態素解析の対象のままです。形態素解析を行わない場合はocx:skip(pos="foreign")で囲みます(13.2)。tei:w,tei:pcなどで語や句読点の単位を示しても、タグは無視されるため解析結果には反映されません(単位への分割は形態素解析が行います)。tei:add(加筆)の要素内容は、通常の本文として解析対象になります。
5.2 使用しない TEI 要素と制約
次の要素は OCX の原則と両立しないため使用しません。
tei:noteは使用しません(注記はocx:commentを使用し、本文に注釈が入り込むのを避ける)。tei:rubyは使用しません(ルビはocx:rを使用し、本文に振り仮名が入り込むのを避ける)。tei:choiceは使用しません(本文は解析対象となる一つにしぼる)。tei:app,tei:lem,tei:rdg(校異)は使用しません(本文は解析対象となる一つにしぼる)。本文には採用した読みだけを書き、異文はocx:commentに記録します。tei:del(原文で削除された文字)、tei:subst(置き換え)は使用しません。削除された文字はocx:commentに記録し、加筆された文字は本文として(必要ならtei:addで)記述します。tei:fw(柱・ノンブル・丁付けなどの版面の文字)は使用しません。記録する場合はocx:commentに記録するか、本文に残してocx:skip(pos="other")で囲みます。
次の要素は OCX の要素と役割が重なるため使用せず、OCX の要素を用います。
| TEI | 代わりに用いる OCX 要素 |
|---|---|
tei:sic, tei:corr, tei:supplied, tei:surplus |
ocx:corr(11章) |
tei:orig, tei:reg |
ocx:odoriji(9章), ocx:vMark(10章) |
その他の制約:
tei:g(外字)には、代替文字を 要素内容として必ず 記述します。空のtei:gは解析用テキストに文字が残らず、文字オフセットがずれる原因になります。適当な代替文字が見当たらない場合は、〓(げた記号)を用います。
<tei:g ref="#gaiji01">吉</tei:g>
<tei:g ref="#gaiji02">〓</tei:g>
6. 文境界
6.1 正規形(推奨): tei:s
文は原則 tei:s で括ります。tei:s の終端は文境界であり、解析入力生成では改行 1 文字になります。
<tei:s>……。</tei:s>
tei:s は入れ子にしてはなりません(tei:s の中に tei:s を置かない。TEI と同じ)。
6.2 ocx:eos(文境界表示)
OCX mini 由来の ocx:eos(空要素)も文境界の表示として使用できます。tei:s と ocx:eos のどちらを用いても OCX Standard 準拠です。
……。<ocx:eos/>
ocx:eos も解析入力生成では改行 1 文字になります。
制約(必須)
ocx:eosはtei:sの内部に置いてはなりません。
推奨
- 同一段落(
tei:p)内でtei:sとocx:eosを混在させない(段落単位で方式を統一)。
7. 割書(warigaki)
7.1 ocx:warigaki(構造要素)
割書を表す構造要素です。属性を持ちません。
<ocx:warigaki>割書本文</ocx:warigaki>
7.2 解析制御(推奨): ocx:skip を外側に付与
割書の解析上の扱いを変える場合、外側に ocx:skip(13.2)を付与します(ocx:skip が親、ocx:warigaki が子)。
<ocx:skip tokenize="single" pos="other">
<ocx:warigaki>(割書)</ocx:warigaki>
</ocx:skip>
7.3 割書内改行: ocx:wbr(空要素)
原文で割書の内部に改行がある場合、tei:lb ではなく ocx:wbr を用います。
<ocx:warigaki>第一行<ocx:wbr/>第二行</ocx:warigaki>
ocx:wbrはocx:warigaki内のみで使用します。- 解析入力生成では
ocx:wbrは除去されます。
8. ルビ(フリガナ)
8.1 ocx:r
<ocx:r rt="よみ">表記</ocx:r>
要素内容(文字列)は表記であり、解析対象です。
| 属性 | 必須 | 内容 |
|---|---|---|
rt |
△ | ふりがな(右側、または通常の位置) |
lrt |
△ | 左側についたふりがな |
△: @rt と @lrt のうち少なくとも一方が必要です。@lrt だけを持つ場合も認めます。いずれも属性値のため、解析用テキストには含めません。
<ocx:r rt="よみ" lrt="いみ">表記</ocx:r>
<ocx:r lrt="いみ">表記</ocx:r>
9. 踊り字(odoriji)
9.1 ocx:odoriji
踊り字(ゝゞヽヾ々〳〵 等)を、対応する文字へ展開した上で、原表記を保持します。
こ<ocx:odoriji orig="ゝ">こ</ocx:odoriji>ろ
人<ocx:odoriji orig="々">人</ocx:odoriji>
| 属性 | 必須 | 内容 |
|---|---|---|
orig |
○ | 原表記の踊り字記号(制限語彙) |
orig 制限語彙:
ゝ ゞ ヽ ヾ 〻 々 〳〵 〱 〲
解析入力生成では、ocx:odoriji の 要素内容のみを出力し、@orig は保持情報(解析用テキストに含めない)とします。
々 について: 解析処理では 々 を自動展開しません(人々 は 人々 のまま解析されます)。ocx:odoriji で展開した記述(上の 人<ocx:odoriji orig="々">人</ocx:odoriji>)も許容します。
踊り字の展開に濁点の補いを伴う場合は、ocx:odoriji を外側、ocx:vMark を内側にします(10章)。
10. 濁点付与(vMark)
10.1 ocx:vMark(濁点)
原文に付与されていなかった濁点を補った場合、濁点を補った文字を ocx:vMark で括って表します。要素内容は 1 文字です(複数の文字に濁点を補う場合は、1 文字ずつ ocx:vMark で括ります)。原表記は、要素内容から濁点を除いた文字です。
例:
<tei:s>智に働け<ocx:vMark>ば</ocx:vMark>角が立つ。情に棹させば流される。意地を通せば窮屈だ。とかくに人の世は住みにくい。</tei:s>
解析入力生成では、ocx:vMark の 要素内容(濁点を補った文字)を出力します。
10.2 踊り字との組み合わせ
踊り字の展開に濁点の補いを伴う場合は、ocx:odoriji を外側、ocx:vMark を内側にします(逆の入れ子は用いません)。
例(原文「かゝみ」を「かがみ」として扱う場合):
か<ocx:odoriji orig="ゝ"><ocx:vMark>が</ocx:vMark></ocx:odoriji>み
11. 誤字・脱字・衍字(corr)
11.1 ocx:corr(誤字・脱字・衍字の修正)
原文に対する修正を ocx:corr で表し、修正後の文字を要素内容とします。修正前の文字は ocx:corr@orig に保存します。
- 衍字を処理した場合(原文の余分な文字を削除した場合)は空要素になります。
- 脱字を処理した場合(原文にない文字を補った場合)は
@origの値が空文字列になります。 - 要素内容と
@origの両方が空であってはなりません。 - 誤字・脱字・衍字の別は、要素内容と
@origが空かどうかで判別できるため、種別を示す属性は設けません。
(tei:corr とは仕様が異なります。)
| 属性 | 必須 | 内容 |
|---|---|---|
orig |
○ | 原表記(修正前の文字列。脱字の場合は空文字列) |
例:
<tei:s>智に<ocx:corr orig="動">働</ocx:corr>けば角が立つ。情に<ocx:corr orig="竿">棹</ocx:corr>させば流される。
意地を通せば<ocx:corr orig="ば"/>窮屈だ。とかく<ocx:corr orig="">に</ocx:corr>人の世は住みにくい。</tei:s>
解析入力生成では、ocx:corr の 要素内容のみを出力し、@orig は保持情報(解析用テキストに含めない)とします。
12. 注記
12.1 ocx:comment(空要素)
<ocx:comment text="注記内容"/>
- 注記は
@text属性に記述し、本文文字列に混ぜません。 - 空要素であるため本文の文字数・オフセットに影響せず、解析入力生成時には除去されます。
13. 解析制御
OCX Standard は、形態素解析の制御を 2種類の範囲タグで表します。
13.1 ocx:proc(解析範囲の特殊処理)
<ocx:proc dic="Kindai-bungo" norm="kata2hira">…</ocx:proc>
| 属性 | 必須 | 内容 |
|---|---|---|
dic |
任意 | 形態素解析に用いる辞書(制限語彙、下記) |
norm |
任意 | 解析前に適用する正規化規則(制限語彙、下記) |
処理順
normを適用(指定がある場合)dicで指定した辞書(指定がなければ既定辞書のGendai-written:現代書き言葉)で通常解析
dic 制限語彙
各辞書は Web茶まめ で利用できる UniDic です。値は辞書名をもとにした略称です。
| 値 | 辞書名 | 時代 |
|---|---|---|
Gendai-written(Gendai も可) |
現代書き言葉(既定) | 現代 |
Gendai-spoken |
現代話し言葉 | 現代 |
Kansai |
関西方言 | 現代 |
Kingendai-novel |
近現代口語小説 | 近代〜現代 |
Qkana |
旧仮名口語 | 近代〜現代 |
Kindai-bungo |
近代文語 | 近代 |
Kinsei-edo |
近世江戸口語 | 近世 |
Kinsei-kamigata |
近世上方口語 | 近世 |
Kinsei-bungo |
近世文語 | 近世 |
Chusei-kogo |
中世口語 | 中世 |
Chusei-bungo |
中世文語 | 中古〜中世 |
Chuko-wabun |
中古和文 | 中古 |
Jodai |
上代語 | 上代 |
Waka |
和歌 | 上代〜中古 |
Kanbunkei |
漢文系 | 中古 |
既定の辞書で解析したい範囲を、別の辞書を指定した ocx:proc の中で示す場合は、dic="Gendai-written"(または dic="Gendai")を指定します。
norm 制限語彙
kata2hiraカタカナをひらがなに置き換えてから解析none正規化を行わない(外側のocx:procで指定したnormを取り消す)
入れ子にした場合
ocx:proc は入れ子にできます。内側の ocx:proc は、指定していない属性について外側の ocx:proc の指定を引き継ぎ、指定した属性は外側の指定を上書きします。
- 外側の辞書指定を取り消して既定の辞書に戻す場合は、
dic="Gendai-written"(またはdic="Gendai")を指定します。 - 外側の正規化指定を取り消す場合は、
norm="none"を指定します。
<ocx:proc dic="Kindai-bungo" norm="kata2hira">
カタカナ交じりの文語文(近代文語UniDic、カタカナをひらがなに置き換えて解析)
<ocx:proc norm="none">カタカナのまま解析する範囲(近代文語UniDic)</ocx:proc>
<ocx:proc dic="Gendai-written" norm="none">既定の状態で解析する範囲</ocx:proc>
</ocx:proc>
13.2 ocx:skip(解析対象外範囲)
<ocx:skip tokenize="single" pos="uri">https://example.org</ocx:skip>
| 属性 | 必須 | 内容 |
|---|---|---|
tokenize |
○ | single / space |
pos |
○ | 制限語彙(下記) |
tokenize の意味:
single: 範囲全体を 1 短単位として扱うspace: 全角スペース(U+3000)で分割して短単位を生成する(各短単位に同一posを付与)
pos 制限語彙
kanbun(漢文)foreign(外国語)uri(URL・メールアドレス等)code(プログラムコード)other(その他)
14. 解析入力生成規則(要約)
- 対象範囲 →
ocx:docの内部のみ tei:sの終端 → 文境界(改行 1 文字)ocx:eos→ 文境界(改行 1 文字)- 原文データ中の改行 → 除去(改行が残るのは文境界のみ)
- 全角スペース → 本文文字として保持
- TEI 要素・埋め込み先の要素(
tei:speaker,tei:head,tei:gなどを含む) → タグを無視し、要素内容を通常の本文として出力 ocx:warigaki→ 要素内容を通常の本文として出力ocx:wbr→ 除去ocx:r→ 要素内容のみ出力(@rt,@lrtは除外)ocx:odoriji→ 要素内容のみ出力(@origは除外)ocx:vMark→ 要素内容のみ出力ocx:corr→ 要素内容のみ出力(@origは除外)ocx:comment→ 除去ocx:proc→norm適用 →dic指定解析ocx:skip→tokenize規則で擬似トークン化しposを付与- 属性値 → 出力しない
15. 適合性(Conformance)
15.1 OCX Standard 準拠文書
OCX Standard 準拠と主張する文書は、少なくとも次を満たす必要があります。
ocx:docルート、必須属性textID,corpusName- OCX 要素は
ocx:接頭辞付きで記述する。ただし 3.3 の条件を満たす文書では省略してよい - 文境界を
tei:sまたはocx:eosで示す - 5.2 で使用しないとした TEI 要素を用いない
tei:sは入れ子にしないtei:gは要素内容(代替文字)を持つocx:eosはtei:s内に出現しないocx:wbrはocx:warigaki内にのみ出現ocx:rは@rtと@lrtの少なくとも一方を持つocx:odoriji@origは制限語彙のいずれかocx:vMarkの要素内容は 1 文字ocx:odorijiとocx:vMarkを入れ子にする場合はocx:odorijiが外側ocx:corrは@origを持ち、要素内容と@origの両方が空ではないocx:procの@dic,@normは制限語彙のいずれかocx:skipの@tokenizeはsingle|spaceのいずれかocx:skipの@posは制限語彙のいずれか
16. 互換性と拡張
dic値の追加norm規則の追加pos値の追加- OCX が解析上の意味を与える TEI 要素の追加
はいずれも後方互換性を保つ形で追加します。
付録 A: 用語
- 文字オフセット: 文字列上の位置(開始・終了)で注釈や解析結果を対応付ける方法。
- 解析対象外: 形態素解析を行わないこと(
ocx:skip)。文字は本文文字列として残り、擬似トークン化される。 - 擬似トークン化: 形態素解析器にかけず、ルールで短単位化する処理(
ocx:skip)。
付録 B: 実装者向けメモ
B.1 スキーマ
検証用に次の 3 つのファイルを公開しています。XSD で要素の配置と属性値を検証し、XSD では表現できない規則を Schematron で検証します。
| ファイル | 対象 |
|---|---|
| ocx-standard.xsd | OCX の要素だけで書く文書(接頭辞の有無は問わない) |
| ocx-standard-tei.xsd | TEI の要素と組み合わせる文書 |
| ocx-standard.sch | 上のどちらの文書にも使う Schematron |
スキーマの置き場所(URL)は、小数点第1位までのバージョンごとに分けています。小数点第2位以下のバージョンアップ(例: v0.6β → v0.61β)では置き場所を変えず、同じ URL のファイルを更新します。v0.61β のスキーマも schema/ocx/standard/0.6/ に置いています。
ocx-standard-tei.xsd は、TEI 要素を閉じたサブセットとして限定しない方針(5章)に合わせ、TEI 要素を緩やかに(processContents="lax")許容します。TEI 要素自体の構造は検証しませんが、TEI 要素の中にある OCX 要素は検証します。
Schematron(ocx-standard.sch)では、次の規則を検証します。
- 接頭辞付きの書き方と省略した書き方を混在させないこと、TEI と組み合わせる文書では接頭辞を付けること(3.2, 3.3)
- 使用しない TEI 要素を用いないこと、
tei:gが代替文字を持つこと(5.2) - 文境界が示されていること、
tei:sを入れ子にしないこと、ocx:eosをtei:sの内部に置かないこと(6章) ocx:wbrがocx:warigakiの内部にあること(7.3)ocx:rが@rtと@lrtの少なくとも一方を持つこと(8.1)ocx:odorijiとocx:vMarkの入れ子の順(10.2)ocx:corrの要素内容と@origの両方が空ではないこと(11.1)
文境界は、tei:s または ocx:eos が文書中にあるかどうかだけを検証します。すべての文が区切られているかどうかは検証できません。
検証の例(Python の lxml を使う場合):
from lxml import etree, isoschematron
doc = etree.parse("document.xml")
xsd = etree.XMLSchema(etree.parse("ocx-standard.xsd")) # TEI と組み合わせる場合は ocx-standard-tei.xsd
sch = isoschematron.Schematron(etree.parse("ocx-standard.sch"), store_report=True)
print(xsd.validate(doc), xsd.error_log)
print(sch.validate(doc))
for text in sch.validation_report.iter("{http://purl.oclc.org/dsdl/svrl}text"):
print(text.text.strip())
XSD の検証には xmllint --noout --schema ocx-standard.xsd document.xml も使えます。Schematron は、oXygen などの XML エディタでも使えます。
TEI の構造まで含めて検証する場合は、TEI のカスタマイズ(ODD)で https://openchj.github.io/ns/ocx 名前空間の要素を許可したスキーマを作る必要があります。
TEI のスキーマ(TEI All など)で検証する場合、ocx:* 要素は TEI の名前空間外の要素としてエラーになります。ODD で https://openchj.github.io/ns/ocx 名前空間の要素を許可するカスタマイズが必要です(付録 C.6)。
付録 C: TEI ガイドラインとの対応と相違点
この付録は、TEI に慣れた利用者や、OCX 文書を TEI 文書に変換する実装者のための参考情報です(規範ではありません)。
C.1 文書構造
TEI 文書は tei:TEI > tei:teiHeader + tei:text > tei:front / tei:body / tei:back という構造をとります。OCX では ocx:doc がルートとなり、その直下に tei:body などを置きます。teiHeader に相当する書誌情報は OCX の対象外で、ocx:doc の @textID, @corpusName のみを持ちます。
| OCX | TEI |
|---|---|
ocx:doc |
tei:TEI / tei:text |
ocx:doc@textID |
tei:TEI@xml:id または tei:idno |
C.2 使用しない TEI 要素と代わりの OCX 要素
| TEI | OCX | 理由 |
|---|---|---|
tei:note |
ocx:comment |
注記の文字列を本文に入れないため |
tei:ruby / tei:rb / tei:rt |
ocx:r |
ふりがなの文字列を本文に入れないため |
tei:choice + tei:sic / tei:corr |
ocx:corr |
本文を解析対象となる一つにしぼるため |
tei:choice + tei:orig / tei:reg |
ocx:odoriji, ocx:vMark |
同上 |
tei:app / tei:lem / tei:rdg |
ocx:comment(異文を記録) |
同上 |
tei:del, tei:subst |
ocx:comment(削除された文字を記録) |
削除された文字を本文に入れないため |
tei:fw |
ocx:comment または ocx:skip |
版面の文字を本文として解析しないため |
tei:sic, tei:corr, tei:supplied, tei:surplus |
ocx:corr |
書き方を一つにそろえるため |
tei:orig, tei:reg |
ocx:odoriji, ocx:vMark |
同上 |
C.3 意味がずれる点・名前が重なる点
@who: TEI では#Aのような URI 参照(tei:particDescの人物などを指す)ですが、OCX では話者名などの任意の文字列を認めます。ocx:corrとtei:corr:tei:corrはtei:choiceの中で訂正後の文字列を示す要素ですが、ocx:corrは単独で用い、訂正前の文字列を@origに持ちます。@origとtei:orig: OCX の@orig属性(原表記)は、TEI のtei:orig要素とは別のものです。
C.4 TEI の書き方と OCX での扱いが異なる点
- 外字
tei:g: TEI では<tei:g ref="#gaiji01"/>のような空要素も使えますが、OCX では代替文字(見当たらない場合は〓)を要素内容として必ず記述します(5.2)。 - 外国語
tei:foreign: TEI で外国語を示しても、OCX では形態素解析の対象のままです。形態素解析を行わない場合はocx:skipで囲みます。
C.5 TEI への変換の目安
| OCX | TEI での表現例 |
|---|---|
<ocx:r rt="よみ">表記</ocx:r> |
<tei:ruby><tei:rb>表記</tei:rb><tei:rt>よみ</tei:rt></tei:ruby> |
<ocx:r lrt="いみ">表記</ocx:r> |
<tei:ruby><tei:rb>表記</tei:rb><tei:rt place="left">いみ</tei:rt></tei:ruby> |
<ocx:comment text="注記"/> |
<tei:note>注記</tei:note> |
<ocx:corr orig="動">働</ocx:corr>(誤字) |
<tei:choice><tei:sic>動</tei:sic><tei:corr>働</tei:corr></tei:choice> |
<ocx:corr orig="ば"/>(衍字) |
<tei:surplus>ば</tei:surplus> |
<ocx:corr orig="">に</ocx:corr>(脱字) |
<tei:supplied reason="omitted">に</tei:supplied> |
<ocx:odoriji orig="ゝ">こ</ocx:odoriji> |
<tei:choice><tei:orig>ゝ</tei:orig><tei:reg>こ</tei:reg></tei:choice> |
<ocx:vMark>ば</ocx:vMark> |
<tei:choice><tei:orig>は</tei:orig><tei:reg>ば</tei:reg></tei:choice> |
<ocx:warigaki>…</ocx:warigaki> |
<tei:seg type="warigaki">…</tei:seg> など |
<ocx:wbr/> |
<tei:lb/> |
<ocx:eos/> |
tei:s による文の括り |
ocx:proc, ocx:skip |
対応する TEI 要素なし(ocx:skip pos="foreign" は tei:foreign に近い) |
C.6 TEI スキーマで検証する場合
OCX 文書の tei:* 部分を TEI のスキーマで検証する場合は、ODD で次のカスタマイズを行います。
https://openchj.github.io/ns/ocx名前空間の要素を、TEI 要素の内容として許可する@whoで任意の文字列を値として許可する(OCX の@whoの扱いに合わせる場合)
付録 D: v0.5 からの変更点
D.1 新しい要素・規則
ocx:corr(誤字・脱字・衍字の修正)とocx:vMark(濁点の補い)を追加しました(11章、10章)。- 接頭辞の省略: OCX の要素だけで書く文書では、
ocx:接頭辞を省略できるようにしました(3.3)。これにより、OCX mini 準拠文書はそのまま OCX Standard 準拠文書になります(1.1)。 - 解析対象範囲: 解析対象は
ocx:docの内部のみであり、ヘッダーはocx:docの外に置くことを明記しました(4.2)。 ocx:r: 左側のふりがなを表す@lrtを追加しました。@rtと@lrtの少なくとも一方が必要です(8.1)。ocx:odoriji:@origの制限語彙に〻を追加しました。々は自動展開しないこと、ocx:vMarkと組み合わせる場合の入れ子の順を明記しました(9.1)。ocx:proc@dic: Web茶まめで利用できる UniDic に合わせて制限語彙を拡張し、既定の辞書をGendai-written(現代書き言葉)と明記しました(13.1)。ocx:procの入れ子: 内側のocx:procが外側の指定を引き継ぎ・上書きする規則を定め、外側の正規化を取り消すnorm="none"を追加しました(13.1)。
D.2 TEI 語彙の扱い
- TEI 語彙を閉じたサブセットとして限定せず、OCX の原則を破らない要素は使用できることにしました(5章)。
- 使用しない TEI 要素に
tei:choice,tei:app/tei:lem/tei:rdg,tei:del/tei:subst,tei:fwを加え、OCX の要素と役割が重なるtei:sic/tei:corr/tei:supplied/tei:surplus/tei:orig/tei:regは OCX の要素を用いることにしました(5.2)。 tei:gには代替文字(見当たらない場合は〓)を要素内容として必ず記述することにしました。tei:sの入れ子を禁止し、tei:quoteに関する独自の制約を削除しました。- 「会話(speech)」の章を削除しました。
tei:speakerの要素内容は解析対象であり、話者表示を解析から除く場合は属性値(tei:sp@whoなど)に記録します。 - TEI の名前空間 URI を
http://www.tei-c.org/ns/1.0に訂正しました。 - TEI ガイドラインとの対応と相違点を 付録 C にまとめました。
D.3 解析入力生成の明確化
tei:sの終端とocx:eosは、どちらも改行 1 文字になります。原文データ中の改行は除去されます(6章、14章)。ocx:skip tokenize="space"の分割に用いる空白は全角スペースであることを明記しました(13.2)。- 「解析対象外」は「形態素解析を行わない」という意味であることを定義しました(2章、付録 A)。
D.4 構成・表記
- 章の順序を、構造(文境界・割書)→ 原表記を保持する要素(ルビ・踊り字・濁点・誤字)→ 除去される要素(注記)→ 解析制御、の順に見直しました。
- 制限語彙に付けていた版表記(「(v0.5)」など)を削除しました。
- 適合性(15章)の条件を、上記の変更に合わせて追加・整理しました。
- TEI を使わずに文書を作る手順を、別ページ OCX Standard の作り方(TEI を使わない場合) にまとめました。