Skip to content

Latest commit

 

History

History
238 lines (202 loc) · 9.41 KB

slides.md

File metadata and controls

238 lines (202 loc) · 9.41 KB

経済学における量的テキスト分析

渡辺耕平 2021年05月16日

本チュートリアルの構成

  • 概要
    • 政治学における応用
    • テキスト分析の手順
    • 量的分析法の種類
  • デモ
    • ハローワークの求人票の分析
  • まとめ
    • 追加の情報など
  • 質疑応答

使用するソフトウェア

  • R 4.0以降
  • Rパッケージ
    • quanteda
    • quanteda.textstats
    • seededlda
  • R Studio

quantedaの特徴

  • Unicodeに準拠し，アジア言語の文書を処理できる．
  • C++による並列化により大規模なテキストデータを処理できる．
  • 欧米の大学の量的テキスト分析の研究と教育で広く使われている．

量的テキスト分析とは

  • 政治学では文書が重要な研究資料
    • 質的テキスト分析
      • 例：スピーチ，選挙広報，政府報告書，新聞記事など
    • 量的テキスト分析（2000年代以降)
      • 自然言語処理のツールを用いて多数の文書を分析する
      • 文書データを数値データに変換し，統計的な分析を行う．
  • 政治学者は文書そのものに関心があるわけではない
    • 文書を通じて政治的行為者に関する推定を行う．
      • 例：イデオロギー，精神状態，偏見，行動など
    • 文書を直接的には測定できないものを推計する
      • 例：政治的な影響力，経済的の不確実性，地政学的な脅威認識など

一般的な分析手順

  • 文書の収集
  • 前処理
    • クリーニング（ページ番号，日付などの削除）
    • トークン化（文を語に分割）
      • 語彙に基づいた分割（形態素解析は行わない）
      • 共起分析によって未知語をトークン化する
    • 数字，記号，文法的語の削除
    • 文書行列の作成
  • 量的分析
    • 頻度分析，クラスタリング，辞書分析，ネットワーク分析，機械学習など
  • 結果の解釈

前処理

トークン化

require(quanteda)
## Loading required package: quanteda
## Warning in .recacheSubclasses(def@className, def, env): undefined subclass
## "numericVector" of class "Mnumeric"; definition not updated
## Package version: 3.0.0
## Unicode version: 13.0
## ICU version: 66.1
## Parallel computing: 6 of 6 threads used.
## See https://quanteda.io for tutorials and examples.
txt <- c("施設利用者の生活支援、作業支援、食事介助、入浴介助などを行っています。",
         "福祉に興味、熱意のある方を募集しています。未経験者も歓迎します。")
toks <- tokens(txt, remove_punct = TRUE)
print(toks, max_ndoc = -1, max_ntok = -1)
## Tokens consisting of 2 documents.
## text1 :
##  [1] "施設" "利用" "者"   "の"   "生活" "支援" "作業" "支援" "食事" "介助"
## [11] "入浴" "介助" "など" "を"   "行"   "って" "い"   "ます"
## 
## text2 :
##  [1] "福祉"   "に"     "興味"   "熱意"   "の"     "ある"   "方"     "を"    
##  [9] "募集"   "し"     "てい"   "ます"   "未経験" "者"     "も"     "歓迎"  
## [17] "し"     "ます"

共起分析によるトークンの修正

seqs <- readRDS("collocations.RDS")
nrow(seqs)
## [1] 3561
head(seqs)
##   collocation count count_nested length   lambda        z
## 1     利用 者  1601            0      2 6.189393 140.5496
## 2   未経験 者  1199            0      2 5.187306 128.8927
## 3     事業 所  1086            0      2 8.532710 123.5738
## 4   雇用 期間   902            0      2 8.020318 121.0938
## 5       用 車   744            0      2 6.757942 114.9101
## 6   業務 全般  1327            0      2 4.642487 112.8731
toks <- tokens_compound(toks, seqs, concatenator = '', join = FALSE)
print(toks, max_ndoc = -1, max_ntok = -1)
## Tokens consisting of 2 documents.
## text1 :
##  [1] "施設利用" "利用者"   "の"       "生活支援" "作業支援" "食事介助"
##  [7] "入浴介助" "など"     "を"       "行"       "って"     "い"      
## [13] "ます"    
## 
## text2 :
##  [1] "福祉"     "に"       "興味"     "熱意"     "の"       "ある"    
##  [7] "方"       "を"       "募集"     "し"       "てい"     "ます"    
## [13] "未経験者" "も"       "歓迎"     "し"       "ます"

文法的語の削除

toks <- tokens_remove(toks, stopwords("ja", "marimo"), padding = TRUE) 
toks <- tokens_remove(toks, "^[ぁ-ん]+$", valuetype = "regex", min_nchar = 2, padding = TRUE)
print(toks, max_ndoc = -1, max_ntok = -1)
## Tokens consisting of 2 documents.
## text1 :
##  [1] "施設利用" "利用者"   ""         "生活支援" "作業支援" "食事介助"
##  [7] "入浴介助" ""         ""         ""         ""         ""        
## [13] ""        
## 
## text2 :
##  [1] "福祉"     ""         "興味"     "熱意"     ""         ""        
##  [7] ""         ""         "募集"     ""         ""         ""        
## [13] "未経験者" ""         "歓迎"     ""         ""

文書行列の作成

dfm(toks, remove_padding = TRUE)
## Document-feature matrix of: 2 documents, 12 features (50.00% sparse) and 0 docvars.
##        features
## docs    福祉 興味 熱意 募集 歓迎 施設利用 利用者 生活支援 作業支援 食事介助
##   text1    0    0    0    0    0        1      1        1        1        1
##   text2    1    1    1    1    1        0      0        0        0        0
## [ reached max_nfeat ... 2 more features ]

量的分析

量的分析の手法

  • 統計分析
    • 頻度分析，共起分析など
  • 辞書分析
    • 感情分析，話題分類，地理分類など
  • 機械学習
    • 教師あり，教師なし，準教師あり学習

頻度分析

  • 単純頻度
    • 文法もしくは分野と関連する一般的な語が強調される．
  • 相対頻度
    • 選択された文書の内容と関連した語が強調される．

辞書分析

  • 既存の辞書
    • 英語
      • Lexicoder Sentiment Dictionary (LSD)，Linguistic Inquiry and Word Count (LIWC) など
    • 日本語
      • 日本語評価極性辞書
  • 辞書の作成
    • 分析者が関心のある概念を選び，それらを多数のキーワードによって定義する．
    • 正確な分析のためには数百から数千のキーワードを辞書に含む必要がある．

辞書の例

YAMLフォーマットによって，辞書の階層的な構造を定義できる．

## tasks: 
##     office:   ["パソコン", "メール", "電話", "経理", "会計"]
##     factory:  ["組立", "製造", "加工"]
##     engineer: ["設計", "開発", "検査", "操作"]
##     builder:  ["施工", "工事", "建設", "塗装", "溶接"]
##     nurse:    ["看護", "介護", "保育"]
##     catering: ["調理", "配膳"]
##     sales:    ["営業", "接客"]

機械学習

  • 教師あり学習
    • Support Vector Machine，ナイーブベイズ，Random Forestsなど
    • 訓練データを通じてユーザーが分析結果を制御できる．
    • 複雑なモデルを訓練するためのコストが高い．
  • 教師なし学習
    • Latent Dirichlet Allocation（LDA），対応分析，Multi-dimensional Scalingなど
    • ユーザーが分析結果を制御できない．
    • 訓練をするための費用が全くかからない．
  • 準教師あり学習
    • Seeded LDA，Newsmap，Latent Semantic Scaling
    • 種語を通じてユーザーが分析結果を制御できる．
    • 訓練するためのコストが小さい．

まとめ

  • Rパッケージだけで，アジア言語の文書を分析をできる．
    • 日本語だけではなく中国語，韓国語，アラビア語なども分析できる．
    • quanteda，seededldaはすべてCRANで公開されているオープンソースのソフトウェア．
  • 準教師あり学習で，理論的枠組みに基づいた分析を低コストで自動化できる．
    • 種語を選ぶだけで，アルゴリズムが関連する語を自動的に特定し，文書の分類を行う．
    • 適切な種語を選択するためには分析するデータを深く理解する必要がある．
  • 量的テキスト分析で文書から数値データを生成し，経済学の研究に用いることができるだろう．

追加情報