東京出身の世代別外来語のアクセントの比較分析 : JLPT語彙を中心に :JLPT語彙を中心に

鈴木美恵; 崔英淑

추천

검색

질문

자료유형: 학술저널

저자정보: 鈴木美恵 (忠南大学校) 崔英淑 (忠南大學校)

저널정보: 한국일본문화학회 일본문화학보 日本文化學報第70輯

발행연도: 2016.8

수록면: 97 - 117 (21page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

Suzuki · Choi(2016) research compared and analyzed 4 Japanese dictionaries : NHK Japanese Pronunciation Accent Dictionary(1993, 2015), Meikai Japanese Pronunciation Accent Dictionary(1994,2014). This study analyzed Japanese Native pronunciation of a woman in her 20s and in her 50s from Tokyo to research expressing types when the Japanese Native speakers pronouced Japanese loanword Accent. Japanese loanwords for testing are Japanese loanwords of JLPT N1 and N2. The result shows the difference between pronouciation of the Japanese Native speakers and Japanese Pronunciation Accent Dictionary. To make generalizations about this study, this study need to extend experimenters. Furthermore, this study leave a matter in building a database for education of Koreans studying Japanese Accents.

鈴木・崔(2016)では、『NHK編日本語發音アクセント辞典』(1993、2015)と『明解日本語アクセント辞典』(1994、2014)の4册のアクセントを比較分析した。本研究では、日本語母語話者らの外来語のアクセント核の実現様相を調べるために、東京出身の若年層と中年層の2世代のインフォーマントの発音を分析した。N1とN2の外来語のうちモーラ別の分析で最も多く見られた外来語の拍数は、N1は3モーラのー3型が69個(32.85％)で、N2は3モーラのー3型が94個(30.12％)であった。次に、インフォーマントのN1の発音の分析では、3モーラのー3型は20代においては71個(33.81％)、50代においては72個(34.29％)で、N2では3モーラの─3型が20代においてはそれぞれ96個と97個と1個の違いがあり、50代においては97個(31.08％)および103個(33.01％)と同年層であっても同外来語のアクセント核に違いが見られた。また、20代と50代のインフォーマントのアクセント核のゆれは、辞典の記述とは少々の違いが現れた。N1では3モーラは3個、N2では12個のゆれが現れ、20代においても50代においてもそれぞれ平板化が見られた。この結果、若年層と中年層の間の違いよりも、東京出身の同年層であっても同じ外来語のアクセント核の違いが大きいことが明らかになった。その要因は明確ではないが、東京出身であっても、インフォーマントの両親や環境からの影響があるものと推測される。また、今回の研究で、4モーラの「チャンネル」はー3拍目に特殊拍があり、アクセント核を前にずらす音韻的な要素が含まれている語であるため、ー4型にアクセント核があると同時に平板型でもある一方で、「タレント」、「フィルター」は語末から数えてー3拍目は特殊核ではないが、同アクセント核でー4型にアクセント核があること，ならびに「アクセル」「カクテル」の場合は、クは母音が無声化して、アクセント核を１つ前にずらしー4型にアクセント核が来ることも確認できた。

#日本語母語話者(Japanese Native Speaker) #東京方言(Tokyo dialect) #外来語アクセント(Loanword Accent) #平板(Heiban) #非平板化(Non-flattering) #アクセント核(Accent nucleus)

참고문헌 (0)

참고문헌 신청

참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

鈴木美恵

소속기관 牧園大学

주요연구분야 인문학 > 어문학 > 일본어와문학

논문수 2 이용수 38

최영숙

소속기관 忠南大學校

주요연구분야 인문학 > 어문학 > 일본어와문학

논문수 1 이용수 19

최근 본 자료

전체보기

UCI(KEPA) : I410-ECN-0101-2017-913-001154860

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (0)

함께 읽어보면 좋을 논문

이 논문의 저자 정보

최근 본 자료

댓글(0)