alterlab-digital-humanities

デジタル・ヒューマニティーズの手法とツール

概要

デジタル・ヒューマニティーズ（DH）では、計算手法を人間の文化、歴史、言語、社会の研究に応用します。人文学的な探究をアルゴリズムに置き換えるのではなく、人の目だけでは見つけられないパターンを明らかにし、分散したアーカイブをつなぎ、歴史的な過程を可視化し、文化遺産をより幅広い人々が利用できるようにするツールによって、解釈に基づく研究を拡張するものです。

このスキルでは、人文学研究で用いられる主要な計算手法を扱います。テキストマイニングと自然言語処理（LDAやBERTopicによるトピックモデリング、センチメント分析、固有表現抽出）、コーパス言語学（コンコーダンス、コロケーション、頻度分析、キーワード性）、デジタルアーカイブとメタデータ標準（Dublin Core、TEI XML）、歴史研究のための地理情報システム（GIS）、歴史上の人物や文学作品の登場人物を対象とするネットワーク分析、文体計量学と計算手法による著者推定、歴史文書のデジタル化に向けた光学文字認識（OCR）のワークフロー、デジタル校訂版、人文学データのデータ可視化、Franco Morettiが理論化した遠読、Lev Manovichが発展させたカルチュラル・アナリティクス、そして人文学計算のためのPythonエコシステム（spaCy、NLTK、Voyant Tools、AntConc）を取り上げます。

このスキルは、計算手法を研究に取り入れたい人文学研究者を対象としています。ヴィクトリア朝小説の分析、植民地貿易ネットワークの地図化、政治的レトリックの変遷の研究、危機に瀕した言語のデジタルアーカイブ構築などに活用できます。プログラミングの経験は必要ありませんが、手法によってはPythonやRの基本的なスキルが必要です。各手法について、知的な根拠、実践的な実装方法、利用可能なツール（ノーコードから本格的なプログラミングまで）、およびその限界に関する批判的な視点を説明します。

このスキルを使用する場面

次のような場合に、このスキルを使用してください。

• 大規模なテキストコーパスにトピックモデリング（LDA、BERTopic）を適用し、テーマのパターンを見つける
• 歴史文書、文学作品、政治的言説のセンチメント分析を行う
• 非構造化テキストから固有表現（人物、場所、組織、日付）を抽出する
• コーパス言語学の分析（コンコーダンス、コロケーション、頻度、キーワード性）を行う
• Dublin CoreやTEI XMLのメタデータ標準を使用してデジタルアーカイブを作成、または利用する
• GISを使用して、歴史的出来事、交易路、移住パターン、空間的な物語を地図化する
• 歴史上の人物、文学作品の登場人物、知的影響のネットワークを構築して分析する
• 文体計量学と計算手法を用いて、著者が特定されていない文書の著者を推定する
• OCR（Tesseract、Kraken、Transkribus）を使用して歴史文書をデジタル化する
• 批判的校異を備えたデジタル校訂版を作成する
• Palladio、Gephi、または独自のツールを使用して人文学データを可視化する
• 遠読の手法を適用し、大規模なコーパス全体にわたる文学的傾向を分析する
• ビジュアルメディア、ソーシャルメディア、またはデジタル文化を対象にカルチュラル・アナリティクスを実施する
• 人文学のテキスト分析にPythonのNLPツール（spaCy、NLTK）を使用する

該当しない場合

シナリオ	代わりに使用
社会科学的な測定としてのテキスト分析（調査データやメディアデータに対する、検証済みのトピック／辞書／分類器のパイプライン）	alterlab-text-as-data
談話分析、会話分析、または定量的内容分析の設計	alterlab-social-science-methods
現代のデータを対象とするプログラムによるベクトルGIS（空間結合、バッファー、投影変換）	alterlab-geopandas
歴史的なスキャン画像のOCRではなく、現代のPDF／Officeファイルをテキストに変換する	alterlab-markitdown
人文学資料の批判的検討を伴わない、大規模なグラフアルゴリズム（中心性、コミュニティ）	alterlab-networkx

主な機能

以下では、各機能の内容と利用場面、および使用するツールを紹介します。実例、コード、パラメーター表、ツール比較表はリファレンスに掲載しています（末尾の索引を参照してください）。

テキストマイニングとNLP

NLPは、人間が読み込むには膨大すぎる規模のテキストを分析します。精読に取って代わるものではなく、何千ものテキストにまたがるパターンを特定し、どの箇所を精読すべきかを導く補完的な手段です。

• トピックモデリング — 潜在的なテーマを見つけます。古典的な遠読にはLDA（Bag-of-Words、kを指定）、短文や現代のテキストで意味的一貫性を重視する場合にはBERTopic（トランスフォーマーの埋め込み＋HDBSCAN、kを自動決定）が適しています。
• 感情分析 — テキスト全体における感情の傾向を分析します（例：小説の感情の変遷）。精度とコストが低い順に、辞書ベース（VADER/NRC）→ ML → トランスフォーマーを使います。人手によるアノテーションと照合して検証してください。現代のモデルは歴史的な文章を誤分類することがあります。
• 固有表現認識（NER） — 人物、場所、組織、日付を抽出します。汎用ツールとしてはspaCyが最適です。古い綴りや未知の固有表現に対応するには、アノテーション済みの歴史的テキストでファインチューニングしてください。

→ references/methods-and-examples.md（LDAのワークフローと例、BERTopicのコード、感情の変遷を分析するコード、NERツールとファインチューニングのコード）。

コーパス言語学

大規模で構造化されたテキストコレクションを実証的に分析します。

• コンコーダンス（KWIC） — 用語の出現箇所をすべて文脈とともに表示し、用法のパターンや共起語を明らかにします。
• コロケーション — 統計的に有意な共起語（MI、tスコア、対数尤度、Log Dice）。
• 頻度とキーネス — キーネスは2つのコーパスを比較し、一方に特有の特徴を明らかにします。
• ツール：AntConcとVoyant（コード不要）、Sketch Engine / CQPweb（ウェブ）、NLTK / quanteda（プログラム可能）。

→ references/methods-and-examples.md（KWIC／キーネスの例、指標比較表とソフトウェア表）および references/dh-tools-guide.md（AntConcとVoyantのパネルリファレンス、統計指標）。

デジタルアーカイブとメタデータ

• Dublin Core — デジタルリソースの記述に使用する、15要素からなる汎用メタデータ語彙です。
• TEI XML — 文学・歴史テキストのエンコーディングや、デジタル学術版の構築における標準です（<persName>、<placeName>、<app>／<rdg>による校異注、<del>／<add>、<unclear>、<gap>、<choice>）。

→ references/methods-and-examples.md（Dublin Core要素表、TEI文書の全体例、主要要素の表）および references/dh-tools-guide.md（必須のTEI要素）。

歴史研究のためのGIS

歴史データの空間分析です。古地図のジオリファレンス、出来事や交易路のマッピング、文学地理、都市史、環境史などに利用できます。QGIS（無料、高機能）またはArcGIS、あるいは人文学向けの地図とネットワーク表示を備えたPalladioを使用できます。

→ references/methods-and-examples.md（ツール表、ジオリファレンスのワークフロー）および references/dh-tools-guide.md（QGISによるジオリファレンスの詳細）。

歴史上の人物のネットワーク分析

歴史上の人物のつながり、影響力、コミュニティ構造を明らかにします（書簡、共起、引用、親族関係、交易、組織のネットワーク）。エッジリストを作成してから、Gephi、NetworkX、またはigraphで分析します（中心性、コミュニティ検出、時間によるフィルタリング）。

→ references/methods-and-examples.md（ネットワークの種類の表、史料からエッジリストを作成するワークフロー）。

文体計量学と著者判定

文体、特に機能語の頻度を統計的に分析し、著者が論争となっているテキストの帰属を判定します。Burrows Delta（最頻出語のzスコア）が主流の手法です。Rパッケージのstylo、PyDelta、またはJGAAPで実行できます。各サンプルに2,000～5,000語以上が必要で、ジャンルを揃えて比較する必要があります。

→ references/methods-and-examples.md（特徴量とツールの表、Deltaアルゴリズム、styloのRによる例）および references/dh-tools-guide.md（styloの完全ガイド）。

OCR ワークフロー

テキスト画像を機械可読なテキストに変換します。OCR の品質は、後続の分析すべてにとって非常に重要です。Tesseract（一般用途）、Kraken（歴史的資料／非ラテン文字の文字体系）、Transkribus（手書き文字／HTR）を使用します。文字誤り率（CER）を必ず報告してください（目標は CER 5％未満、理想は 2％未満です）。

→ references/methods-and-examples.md（エンジン一覧、前処理→処理→後処理→QA のワークフロー、Tesseract コマンド）および references/dh-tools-guide.md（Tesseract／Kraken／Transkribus の設定）

デジタル校訂版

校訂装置、注釈、ファクシミリ、検索、永続的な識別子を備えた一次テキストです。単なるデジタル化されたファクシミリにとどまりません。プラットフォーム：EVT、Versioning Machine、TextGrid、FromThePage、Scripto、IIIF。

→ references/methods-and-examples.md（構成要素の一覧、プラットフォーム一覧）

人文学のためのデータ可視化

可視化は分析と論証の両方に役立ちます。Palladio（地図／ネットワーク／タイムライン）、Gephi（ネットワーク）、Voyant（テキスト）、StoryMapJS／TimelineJS（ナラティブ）、D3.js（カスタム）を使用します。不確実性をデータとして扱い、可視化を論証に組み込み、アクセシブルな配色を使い、再現性のために記録してください。

→ references/methods-and-examples.md（ツール一覧、可視化の原則）

遠読とカルチュラル・アナリティクス

• 遠読（Moretti）— 大規模な文学コーパスの定量分析です。ジャンルの傾向、タイトル分析、筋書き／感情の推移、登場人物のネットワーク、文学史を通じた文体の変化などを分析します。
• カルチュラル・アナリティクス（Manovich）— OpenCV、Pillow、scikit-image などのツールを使い、遠読を画像、動画、ソーシャルメディア、インターフェースデザインにまで広げます。

→ references/methods-and-examples.md（手法、Moretti の論点、カルチュラル・アナリティクス向け Python ツール）

人文学コンピューティング向け Python ツール

spaCy（実用的な NLP：NER、POS、依存構造解析、レンマ化）、NLTK（教育用コーパス、頻度、コンコーダンス、コロケーション）、さらにノーコードの Voyant とデスクトップアプリの AntConc。

→ references/methods-and-examples.md（spaCy と NLTK のコード、Voyant／AntConc の機能概要）

ベストプラクティスと落とし穴

• 人文学的な問いから始めてください。機能するなかで最もシンプルなツールを選び、反復的に学び、コーパス、前処理、パラメーターの選択をすべて記録し、計算によって得られたパターンを精読によって検証してください。
• コーパスの構築は論証の一部です。対象に含めるもの／除外するものを正当化してください。OCR の誤り率と前処理の選択を報告してください。加工前の原本は別に保存してください。
• 解釈が必要です。トピックモデルや可視化はそれ自体では何も語りません。各手法の盲点を認識し、調査結果を各分野の学術的研究に位置づけてください。
• よくある落とし穴： ブラックボックス型 NLP の利用、歴史的テキストに対する時代錯誤な感情分析モデルの適用、トピックからの過大な主張、小規模なコーパスからの大きな主張、地理情報の精度の誤認、テキストが少なすぎる場合やジャンルが混在している場合の文体計量分析。

→ references/methods-and-examples.md（ベストプラクティスと落とし穴のチェックリスト全体）および references/dh-tools-guide.md（規模別に推奨されるプロジェクトのワークフロー）

参考資料の一覧

• references/methods-and-examples.md — 詳細な使用例、コード（LDA／BERTopic／感情分析／NER／spaCy／NLTK／stylo／Tesseract）、パラメーターとツールの比較表、TEI 文書の全例、およびベストプラクティス／落とし穴／参考文献の各セクション全体。
• references/dh-tools-guide.md — ツール比較表、トピックモデルのパラメーター調整、AntConc／Voyant のパネルに関する参考情報、OCR エンジンの設定（Tesseract／Kraken／Transkribus）、重要な TEI 要素、QGIS のジオリファレンス、stylo の R ガイド全体、規模別に推奨されるプロジェクトのワークフロー、参考資料。

参考文献（一部）

• Moretti, F. (2005). Graphs, Maps, Trees. Verso. — (2013). Distant Reading. Verso.
• Manovich, L. (2020). Cultural Analytics. MIT Press.
• Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. JMLR, 3, 993-1022.
• Grootendorst, M. (2022). BERTopic. arXiv:2203.05794.
• Burrows, J. (2002). Delta. Literary and Linguistic Computing, 17(3), 267-287.
• Burnard, L., & Bauman, S. (Eds.). (2023). TEI P5 Guidelines. TEI Consortium.

参考文献の完全な一覧は references/methods-and-examples.md をご覧ください。

AlterLab Academic Skills スイートの一部です。