20260617_学術バーQ（計算社会科学）

Transcript

1. ナウキャスト，場の幸福感，内輪の言葉 ～自然言語処理で社会を「読む」～ 2026/06/17 ＠学術バーQ 東大鳥海研 特任研究員 伊藤和浩 1
2. ⚫ 名前：伊藤和浩（いとう・かずひろ） ⚫ 出身：東京都武蔵野市 ⚫ 所属：東大鳥海研（特任研究員） ⚫ 経歴： - 学部：早稲田大学文化構想学部（2011-2015） - 求人広告の広告代理店（2015-2021） - 修士：奈良先端科学技術大学院大学（2021-2023） - 博士：奈良先端科学技術大学院大学（2023-2026） ⚫ 興味分野：人（々）独自の言語使用が心理や振る舞いに与える影響 自己紹介 2
3. ことばで社会を「読む」とは 3
4. 定量的に言葉を「読む」 • 人の気分は一般的に，朝に ポジティブ，その後一日を 通じてポジティブ度合いが 下がり，夜に再びポジティ ブに上がる • 5.09億件のTweetテキスト の感情を分析 Golder & Macy. “Diurnal and Seasonal Mood Vary with Work, Sleep, and Daylength Across Diverse Cultures”. Science (2011). 4
5. 定量的に言葉を「読む」 • 日本人のオンライン・コミュニ ケーション上での平均使用語彙数 は8,000語 • 約2.5億件のTweetを分析 荒牧 et al. “日本人のオンライン・コミュニケーション上での平 均使用語彙数は8,000語である”. 研究報告 自然言語処理 (2012). 人数 語彙数 5
6. 定量的に言葉を「読む」 • 語義の変化は定量化できる • 頻出語ほど変わりにくい • 多義語ほど変わりやすい • 英・仏・独・中国語の 大規模書籍データ： 英語のデータのみで 約8,500億語，10万語の本に 換算すると約850万冊分 Hamilton et al. “Diachronic Word Embeddings Reveal Statistical Laws of Semantic Change”. ACL (2016). 6
7. 計算機が言葉を「読む」には？ 1. トーカナイズ：多くの場合，最初に語の単位に分ける （近年の自然言語処理ではより細かい単位に分けることが主流だが，社会分析では語の単位もまだ有効） （日本語や韓国語，中国語などではこれが難しい） 2. 定量化： • 頻度分析：単語，フレーズ，記号などの数え上げも重要な発見になりうる • 辞書分析：語と概念（感情など）を結びつけた辞書を用いて，概念のスコアを測る • トピックモデル：テキスト集合の背後にいくつかの「トピック」があるという仮定のもと， トピックごとに出現確率の高い語を生成（e.g. LDA, STM, BERTopic, KeyATM） • 埋め込み表現（ベクトル化）：テキストを数値の行列に変換 7
8. 自然言語処理で社会を「読む」 定量化手法 「読める」もの 8
9. ナウキャスティング ～いま何が起こってる？を群衆の発信から検出～ 9
10. ケース1：Tweetは最良の緊急地震速報にな りうるか？ Sakaki et al. “Earthquake Shakes Twitter Users: Real-time Event Detection by Social Sensors”. WWW (2010). • 地震が起こると 「地震！」「揺れてる」 などみんながツイート • 有用な情報共有のために 活用できないか？ 10
11. ケース1：Tweetは最良の緊急地震速報にな りうるか？ • センサーは対象物の場所を複数の 装置により検知 • Tweetをセンサーのように見立て て（ソーシャルセンサー）、イベ ントの発生場所を検知できるか？ • 地震の広がり（3-7km/s）より早 くtweetで地震アラートを出せれば 有用 11
12. ケース1：Tweetは最良の緊急地震速報にな りうるか？ 手法 1. 地震発生と関連するツイートの特定： 1. キーワード（「地震」、「揺れ」等）を含むツイートを取得 2. 取得ツイート群の統計的情報（文字数、キーワードの位置）、単語、文脈（キー ワード前後の単語）を特徴量とした、自動分類モデルを作成 2. 地震発生の判定：n個の地震関連ツイートが「全て誤検知である確率」を求 め続け、実際に地震が発生した確率が95％を超えたら「地震発生」とする 3. 発生位置の推定：ツイート群の位置情報から震央を推定 12
13. ケース1：Tweetは最良の緊急地震速報にな りうるか？ • 震源から100km離れた場所であれ ば到達までに約20秒 • 多くのユーザに1分以内、最速で 20秒以内に警告メール送信に成功 • 気象庁による速報（平均約6分 後）よりも遥かに迅速、かつ震度 3以上の地震の96％を検出 13
14. ケース2：Tweetはインフルエンザ流行を早 く・正確に検出できるか？ Aramaki et al. “Twitter Catches The Flu: Detecting Influenza Epidemics using Twitter”. EMNLP (2011). • インフルエンザの流行をTweetから検出 • 多くの国家にはインフルエンザの流行を モニタリングする機関があるが、 流行→報告までに1〜2週間のタイムラグ 14
15. • 最も有名なインフル流行検出手 法：Google検索語からの検出 [Ginsberg+`09] • 革新的だが、3つの限界： • 検索行動とインフル疾患の関係の変 化に弱い • アルゴリズムが変わると劣化 • Googleしかデータを利用できない ケース2：Tweetはインフルエンザ流行を早 く・正確に検出できるか？ https://medium.com/@nandana5434/the-epic-rise-and-fall-of-google-flu- trends-what-it-teaches-us-about-data-mining-hype-f2683064439c https://blog.fabric.ch/index.php?/archives/297-Google- Flu-Trends-Tracking-Flu-across-the-U.S..html 15
16. 手法 1. 3億件のツイートから、「インフル エンザ」を含む40万件を抽出 2. うち5,000件に手作業で正解データ を分類：投稿者or周囲の人が感染＆ 24時間以内に感染→正例に 3. 分類用の機械学習モデルを学習 ケース2：Tweetはインフルエンザ流行を早 く・正確に検出できるか？ 16
17. ケース2：Tweetはインフルエンザ流行を早 く・正確に検出できるか？ 17
18. • 東日本大震災の影響で公的機関のモニタリ ング停止中も、システムは動作 ケース2：Tweetはインフルエンザ流行を早 く・正確に検出できるか？ 18
19. 場の幸福感 ～テキストから見える「みんな」の幸せ～ 19
20. ケース3：隣の芝は青い Giorgi et al. “Well-Being Depends on Social Comparison: Hierarchical Models of Twitter Language Suggest That Richer Neighbors Make You Less Happy”. ICWSM (2021). • イースタリンの逆説 [Easterlin`74]： 国内の収入と幸福度は比例するが、 国全体が豊かになっても 人々の幸福度は上昇しない • 相対的な収入と幸福度の関係を ビッグデータで検証 20
21. ケース3：隣の芝は青い 使用データ • 国勢調査：アメリカの1,784郡の平均収入・学歴データ • Twitter： • 郡ごとに紐づいた5,894,644人のTwitterユーザの投稿 • 各ユーザの投稿テキストから、幸福度・収入・年齢層・性別・学歴を推定 • 幸福度（0-10の値）の推定モデルは、正解値と予測値の相関が0.21程度と、まずまずの性能 • 幸福度以外は既存論文で提案された予測モデルを使用 21
22. ケース3：隣の芝は青い 分析結果 • 個人単位の収入が高いほど幸福度は高い • 地域単位の収入が高いほど幸福度は高い • 両方を合わせてモデル化すると、 「個人の収入が同じなら、地域の収入が高いほど幸福度は下がる」 という結果 22
23. ケース3：隣の芝は青い • 地域内で周囲よりも相対的に貧しい人々 は、以下の語が頻出： • 罵倒：fck, sht, b*tch, idiot • 怒り：bullsht, wtf, hate, grr • 混乱：anymore, idk, confused • 薬物・アルコール：weed, drunk, smoke • 若者言葉：homework, school, soooo, omfg 23
24. ケース4：空気が読めるチームはうれしい Ito et al. “Social harmony at work: A sharedness index linking team atmosphere to individual well-being in a Japanese company”. PLOS ONE (2025). • 「みんなの雰囲気が良いか？悪いか？」の認識がメンバー間で一致するチームは， 幸福感が高い？（社会的調和という心理的概念） 24
25. ケース4：空気が読めるチームはうれしい • 対象：株式会社博報堂関西支社の従業 員94名 • チーム：参加者は23チーム（A〜W） のいずれかに所属 • 収集項目： • 本日の日記（自由記述） • 個人の幸福感スコア（0-10で選択） • チームの雰囲気スコア（0-10で選択） 25
26. ケース4：空気が読めるチームはうれしい • 仮説：「チームの雰囲気」のばらつきが小さいと個人のwell-beingが高い 相関係数：0.332 (p<0.05) 相関係数：0.662 (p<0.05) チームの雰囲気のばらつき（逆数） 社会的調和の調査紙スコア チームの雰囲気のばらつき（逆数） 幸福感スコア（チーム平均） 26
27. ケース4：空気が読めるチームはうれしい 相関係数：0.257 (p<0.05) 相関係数：0.443 (p=0.086) • 仮説：メンバー間の「日記の意味的類似度」が高いと個人のwell-beingが高い • 日記で代替できれば，調査のハードルが低い（それ用にアンケートをとらずに済む） 日記の意味的類似度 幸福感スコア（チーム平均） 日記の意味的類似度 社会的調和の調査紙スコア 27
28. 内輪の言葉 ～どんな言葉を使うかは誰といるかを示す～ 28
29. ケース5：使う語彙が居場所を決める • ビールの口コミサイトでは、香りを表す語彙が「Aroma」から「S」 （Smellの略）へ変化、しかし古参ユーザは順応せず 29
30. ケース5：使う語彙が居場所を決める Danescu-Niculescu-Mizil et al. “No country for old members: user lifecycle and linguistic change in online communities”. WWW (2013). • コミュニティ全体の言語表現 は常に変化 • 個人個人の言語表現も、 順応して変化する？ • 言語的な順応と、 コミュニティ参加の関係は？ 30
31. 手法 • データ：2つのビール評価サイトの全レビュー（1.5M+, 2.9M+） • コミュニティの言語モデル：各月の一部のデータを学習させ、与えられ た2語の組み合わせの出現確率を出すモデルを構築 • ユーザの、言語変化への適応の指標： • 言語の柔軟性：現在の投稿と過去10回投稿との間の語彙重複度 • 言語の進歩/保守性：投稿が、過去・未来のコミュニティ言語のどちらと近いか • 新語彙採用率：最近複数のユーザによって使われた新語彙の使用率 ケース5：使う語彙が居場所を決める 31
32. • 時間が経つにつれ、コミュニティメ ンバー全体の言語表現は似ていく （上図） • ユーザごとに、コミュニティ内での ライフステージごとの言語的距離は U字型を描く：最初はどんどん適応、 離脱前は徐々に遠ざかる（下図） ケース5：使う語彙が居場所を決める 32
33. ケース6：独自な語義がコミュニティを作る Ito et al. “Words That Bind: Tracking Collective Identity through Linguistic Innovation”. （査読中） 33
34. ケース6：独自な語義がコミュニティを作る 出現頻度 文脈的多様性 https://en.wikipedia.org/wiki/Nintendo • 独自な言語使用が多いコミュニティ ほど集団的アイデンティティが強い？ • 独自な言語使用を，「出現頻度」と 「使用文脈の一様性」により定義 • 任天堂のwikiの例（右図） • “seal”は，品質を保証する”Nintendo Seal of Quality”を指す文脈のみ • “console”は，ゲーム機全般を指す 中央値 中央値 独自な言語使用！ 34
35. ケース6：独自な語義がコミュニティを作る データ • YouTubeデータ • 動画に対して投稿された視聴者コメン ト（件数は右図） • コメントごとのlike数、動画の視聴数 （集団的アイデンティティの指標） 35
36. ケース6：独自な語義がコミュニティを作る • 政治カテゴリの視聴数の指標を除き，全ての組合せで有意な正の相関 • 結果は仮説を支持 36
37. おわりに：まだまだ言葉で社会を読みたい • 独自な言葉は集団の活動を促進 • 言葉は思考 [Vygotsky1986] や社会関係 [Bourdieu1984] を動かす力をもつ • 心理学や社会学の課題に対して自然言語処 理技術を用い，介入により社会的つながり を促進したい Vygotsky. Thought and Language. MIT Press, 1986. Bourdieu. Distinction: A Social Critique of the Judgement of Taste. Harvard Univ. Press, 1984. 37