テキスト分析を用いたデジタルアーカイブ産業化マップの検討

デジタルアーカイブ産業化マップとは

DA産業化マップの誕生
- DAショートトークの充実した内容の発表が蓄積されつつある
- テーマごとに整理して活用できるようにしたい
- 第3回（7/25）が終わった時点で検討に着手 → 8月末にプロトタイプ
- 部会での議論・検討を経て、10月下旬に産業とデータ・コンテンツ部会サイト発足と合わせ公開
マップ作成の考え方
- ショートトークでの議論からDAと産業の関わりについてテーマを抽出する
- テーマをいくつかのグループにまとめ、その関係を分析する
- テーマのグループを何らかの軸によって二次元マップとして視覚化する
  - マップに軸は必須ではないが、ここでは考え方を把握しやすいように軸を用いる
プロトタイプ作成の準備
- 各DAトークを拝聴したメモから、まず思いつくテーマを取り出してみる
- 教育利用、電子出版、コンテンツ販売、自治体、NFT＋デジタルアート…など
- 軸はたとえば利用の形（一次利用←→二次利用）と利用／事業主体（学術／公共←→民間）
  - cf.『新しい産業創造へ』第8章「デジタルアーカイブ産業」の萌芽と期待
- まずこの2軸による二次元空間にテーマを当てはめ、必要に応じて拡張する

- 利用の形（一次利用←→二次利用）と主体（学術／公共←→民間）の2軸上に頭で考えたテーマを配置してみる
- ショートトークの内容に対して必要十分なテーマ群ではなさそう
- マップ上で技術的トークの行き場がない

統計ツールを用いたテキスト分析でテーマを抽出
- 過不足のないテーマ抽出のため、テキスト分析ツールを用いてクラスタ（関連度の高い語のグループ）生成を試みる
  - 第3回までのショートトークの題目と手元の聴講メモから各トークについて短文を作成
  - 第4回以降の予定題目とウェブで調べた情報から簡単な紹介文
- 文章量が少ないので、安定した分析はできないが、傾向はつかめそう
KH Coderでの分析
- 計量テキスト分析／テキストマイニングに広く使われるフリーソフトKH Coderで語を抽出

- テキスト中の語の距離（出現パターンの類似度）を散布図にする多次元尺度構成法（MDS）で二次元表示
  - 複数あるMDS手法から、計量的（古典的）MDSを選択。距離の計測にJaccard係数を用いた
  - 計量的MDSは類似度の距離データが比率尺度と考える手法。Jaccard係数は頻度より共起を重視する。他の手法よりも、仮2軸と関連付けて解釈しやすい散布図が得られた（手法が違えば図は大きく異なる。例えば同じ計量的MDS＋cosine係数距離、非軽量的なKruskal法＋Euclid係数距離にするなど）
  - 語の出現頻度が円の大きさ。さらに隣接クラスタオプションを用いてクラスタごとに色分け
- 概ね利用の形と主体の2軸で解釈できる。ただし左下のクラスタにある技術的トークは軸をはみ出している

各ショートトークへのタグ付け