データ分析手法・結合ロジック & 公的データ出典解説
TOPIK Cafe の語彙難易度・使用頻度ランク・記憶フックがどのような学術・公的根拠に基づいて構築されているかを透明性をもって公開します。
1. 参照した公的データベース(国立国語院・公共ヌリ第1類型)
本プラットフォームの基盤語彙データは、韓国・国立国語院(국립국어원)が公開する以下の公的リソースを出典としています。いずれも「公共ヌリ第1類型(공공누리 제1유형: 출처표시)」に基づき出典を明示した上で、独自の結合処理・教育解説・練習問題を追加した二次的著作物です。
国立国語院『2017年 国際通用韓国語標準教育課程適用研究(4段階)語彙・文法等級目録』
국립국어원 『2017년 국제 통용 한국어 표준 교육과정 적용 연구(4단계) 어휘·문법 등급 목록』
公式サイトで原資料を確認する ↗2. クロス分析サマリー(ビルド時集計データ)
1급
735語
2급
1,100語
3급
1,655語
4급
2,200語
5급
2,365語
6급
2,580語
最優先 Rank S
1,461語
高頻度(上位1,800〜2,500位)かつ重要度A/Bの必須語
標準頻出 Rank A
2,995語
順位5,500位以内・重要度A/Bまたは1級基礎必須語
発展・専門 Rank B
6,179語
高級専門テーマ・低頻度拡張語彙
3. 同音異義語番号のズレ解消と NFKC 漢字正規化アルゴリズム
国立国語院『2017年 国際通用韓国語標準教育課程適用研究(4段階)』の解説報告書(p.80)に記載されている通り、資料①の同音異義語肩番号(어깨번호)は『韓国語基礎辞典』の体系に準拠しています。一方、資料②『韓国語学習用語彙目録』は2002〜2003年の『標準国語大辞典』体系に基づいているため、同一語彙でも肩番号が一致しません(例:資料①の 가격02 は資料②では 가격03)。
そのため Python ETL(scripts/build_vocab_dataset.py)では単純な文字列一致ではなく、①複合見出し語の分割と基本語形抽出、②11品詞体系への正規化、③資料①の代表連語(길잡이말)と資料②の意味注記(풀이)の意味ヒント照合、④辞書順序と級の整合性スコアリングを組み合わせ、高精度の名寄せを実現しています。さらに資料②に含まれる160件のCJK互換漢字(例:金, 來, 綠, 論)には NFKC 正規化を適用し、計 2,816語 の漢字表記を統合しました。
| 見出し語 | 資料①(基礎辞典系) | 資料②(標準大辞典系) | 代表連語(길잡이말) | 統合漢字 | 頻度順位 |
|---|---|---|---|---|---|
| 가격 | 가격02 | 가격03 | 가격이 비싸다 | 價格 | 898位 |
| 가구 | 가구02 | 가구04 | 가구를 놓다 | 家具 | 7,434位 |
| 가지 | 가지03 | 가지04 | 여러 가지 | — | 129位 |
| 감사 | 감사01 | 감사08 | 감사 인사 | 感謝 | 6,352位 |
| 개 | 개01 | 개03 | 동물 | — | 1,569位 |
| 개 | 개03 | 개10 | 사과 한 개 | 個 | 85位 |