DHM 116

《連載》「Digital Japanese Studies 寸見」第72回

「言語情報学のひとつのありかた」

2021年3月4日、北海道大学大学院文学研究院言語科学講座教授の池田証壽氏が最終講義を行った[1]。池田氏は、稿者の大学院における指導者であるので、以下では―つとめて読者に対して公平を保つよう努めるが―先生とお呼びすることをまずお許し願いたい（敬語はなるべく控える）。

池田先生は、北大文学部の国語学研究室の出身で、石塚晴通氏の指導のもとに学び、1997年に、同学部の言語情報学講座に教員として着任している。それ以来、23年にわたって後進の指導にあたったわけである。言語情報学講座は、2019年に（大学院重点化を経て成った）文学研究科が文学院・文学研究院に改組される際、西洋言語学講座と併合して言語科学講座となった[2]。

北大における言語情報学講座は、1995年の学部改組にともない、池田先生が学んだ国語学講座と、言語学講座の一部から構成された講座であった[3]。言語学系の教員はここでは措き、北大における「言語情報学」の系譜をすこしひもときつつ、池田先生の最終講義の位置づけを考えたい。

網羅する必要もないと思うが、言語情報学は、べつに北海道大学文学部の専有物ではなく、東北大学には情報科学研究科に言語情報学講座があり、東京大学では総合文化研究科に言語情報科学専攻がある。人文情報学と言語情報学とは、人文学と言語学の関係のあいまいさ―以前、言語学が人文学にふくまれるかはっきりしない見方について触れたことがある[4]―とに似た関係があり、それぞれの講座で情報学と言語学とにどのように力点を置くかはとうぜんに異なってくる。

北大のそれでは、国語学講座が組織上プレゼンスを持っていたことが特徴で、石塚氏・豊島正之氏の文献（言語）学のたちばから言語情報学が模索されたことにユニークさがあるのではなかろうか。両氏にくわえて、言語情報学としての内実を充実させるべく、EUC-JP の開発などにもたずさわった[5]小野芳彦氏が招かれている[6]。石塚氏は漢字研究についても著名な業績があり[7]、豊島氏も JIS 漢字について積極的な発言を行ったのみならず、いわゆる97JIS（JIS X 0208:1997）から2000JIS（JIS X 0213:2000）にかけての JIS 漢字制定の中心を担ってもいる。このように、文献を着実に情報として扱う基礎研究がなされたことは、北大言語情報学の特徴と言ってよい[8]。

池田先生のもともとの専門は平安期古辞書、とくに原撰本『類聚名義抄』を中心にした研究である。最終講義でも、これを中心に先生の研究の発展が紹介されていた。具体的には、1990年前後からの古辞書研究への情報処理技術（具体的にはデータベース化・テキスト化による機械検索対応）の導入による研究の発展と、それにあたっての問題点の解消、すなわち文字コードに欠ける文字への対応である。それは、文字がたんに不足していると叫ぶのではなく、JIS 漢字制定の一翼を担うことによって成し遂げられた。豊島氏と同じく、97JIS と2000JIS にかけての JIS 漢字原案制定に調査委員として、現代日本語を扱ううえで不足しているものを用例に基づいて拡張する作業に従事したのである。その後は、ふたたび古辞書の研究に戻るが、平安期古辞書を中心とする一大データベース群 HDIC の作成に従事している[9]。

最終講義では、学問の継承ということがテーマのひとつとして挙げられ、先生も参画し長年継続されている高山寺調査と、そこでの発見について最後に述べられた。その詳細について触れることは、本連載の範疇を超えるが、HDIC も継承を意識して、GitHub 上でデータを提供しているという発言があった。ここに北大言語情報学の伝統と先生の創意とが生きていることは疑いようもない。たとえば、李媛氏などとともに研究を深めているところの、深入りしすぎない漢字の処理が北大言語情報学の伝統を受け継いだものだとすれば[10]、リレーショナルデータベースによって辞書データベースを構築することによって校訂の質を高めることは、先生ならではのものであろう[11]。ご退休ののちも、HDIC の整備に引き続き当たってゆかれるとのことであった。

また、学問の継承ということで、ついでのことになってしまうが、東北大学文学部の言語学研究室でながらく教鞭を執っておられた後藤斉氏も今春ご退休とのことである[12]。後藤氏が言語情報学という意識を持っておいでであったかは知るところにないが、ウェブの活用やコーパスへの取組みなど、池田先生ともご縁はあったものと思う。このほかにも、人文情報学を大学や研究所などに根付かせた研究者たちが職から退きつつあるいま（東京外国語大学アジア・アフリカ言語文化研究所の小田淳一氏など）、なにを継承できているのかと自問するところである。

《連載》「欧州・中東デジタル・ヒューマニティーズ動向」第33回

「深層学習を用いた kraken による OCR と、kraken を用いた HTR を通してデジタル学術編集版作成を目指す eScripta」

前回は Anaconda[1]を用いて kraken[2]を MacBook Pro 16 inch Late 2019上で動かし、行認識及び分割をした後 ground truth 入力用の HTML ファイルを生成してどれくらい行認識の精度が良いか試した。書く方向が右から左で行は上から下に流れる横書きのアラビア文字で書かれたアラビア語の『千夜一夜物語』の印刷物[3]では、行認識が完璧にできた一方、書く方向が上から下で行は左から右に流れる縦書きのモンゴル文字で書かれたモンゴル語の印刷物は、縦書き用のコマンドを用いたにも関わらず全く正確に行認識ができなかった。

今回、あるプロジェクトからいくつかのコプト語文献の OCR を頼まれたので、その文献で kraken を用いて文字認識させてみた。文献は活版印刷で印刷された20世紀前半のものであり、行間隔は十分であった。ただ元の画像がグレースケールで解像度の粗いものしかないとのことだったので、そのあまり OCR に向かない画像を用いた。1ページ分の文字量が少なかったので、30ページ分を切り出して、kraken 内蔵のプログラムを用いて、白黒化及び行認識及び ground truth 入力ファイルの生成を行った。一部だけ2行あるところが、1行として認識されたこと以外は、問題はなかった。ちなみにコプト文字は左から右に書かれ、行は上から下に流れるため、デフォルトのコマンドで処理できる。その後、ブラウザで ground truth 入力用の HTML ファイルを開いて、ground truth を入力、つまり、写真のテクストの翻刻を行った。kraken では、1行ごとに入力ボックスに入力するのだが、対応する行が、左に並べられた文献の画像上に赤枠で示される。ただし、トレーニングの段階で問題が生じた。Anaconda を用いたものでは、ガイドラインに沿ってトレーニングのコマンドを入力しても、常にエラーが生じ、トレーニングが完了できなかった。そこで、筆者がドイツ留学中に kraken を用いるのに成功した、ゲッティンゲン大学のコンピュータ科学研究所が所有する ROEDEL というハイパフォーマンスコンピュータ[4]上で全く同じコマンドを入力したところ、全く問題なくトレーニングできた。このコンピュータのオペレーティング・システムは Linux のディストロ（配布・導入パッケージ）の一つである Debian[5]である。

kraken は多層人工ニューラルネットワーク[6]を用いている。より正確に言えば、その中でも CLSTM neural network library を用いているのだが、ここではその詳しい説明は割愛する[7]。多層人工ニューラルネットワークとは、非常に大雑把に言えば、人間の脳内のニューロン（脳神経細胞）の結びつきを模したものである（図1）。入力と出力の間に複数のニューロンの層が多数積み重なっており、入力に入った信号がさまざまなニューロンを経由してある出力に辿り着く。どのニューロンからどのニューロンに行くかは、最初はランダムである。そこで、入力に対する正しい出力（訓練データ）を人間が用意して、その入力に対して正しい出力が出る割合が最も高くなるまで学習させることで（重みづけ）、精度が高いモデルを作ることができる。OCR の場合は、入力は文字の画像、出力はその文字に対応したデジタルに符号化された文字（現在では Unicode）である。そして、学習に使われる人間が用意する訓練データは ground truth と呼ばれ、kraken は、この ground truth の画像を入力に入れて、それが ground truth の正しい Unicode を出す割合が最も高くなるまで調整がなされ続ける。別の多層の人工ニューラルネットワークモデルを用いている OCRopus[8]は、デフォルトではトレーニング回数が1000回になるたびにモデルファイルが保存され、どのモデルファイルが最も精度が高いかは、別のコマンドを用いて調べなければならない。それに対して、kraken はトレーニングのプロセスの中で自動で出力を ground truth の翻刻と照合させ精度を評定し、最も精度が高かったトレーニング回数のモデルファイルのみを出力するため、精度を調べる時間が省ける。多層の人工ニューラルネットワークを用いた OCR では、回数を多くするほど初めの数万回の学習では精度が高くなっていくのは通常であるが、ある一定数の学習を超えると、回数が多いほど精度が高いということはなくなってくる。逆に、前の回よりも精度が低くなることもある。

このトレーニングのプロセスを経て8分ほどで、最適なモデルファイルを kraken は出力した。その最適なモデルファイルの ground truth に対する精度は97.6%であった。これは、100%に近いものの、最近は100%により近いモデルも Calamari や OCRopus を用いて手軽に作れることから、良いとは言い難いが、OCR としては実用に堪えられる数値である。そして、同じフォントを用いている低画質の依頼されていた資料の全てのページの画像をそのモデルで文字認識させ、結果をテクストファイルに出力した。kraken はテクストファイルだけでなく、デジタル人文学でテクストマークアップに使われる世界標準形式である TEI XML、OCR 専用のファイル形式である hOCR、市販の OCR ソフトである ABBYY FineReader で使われる abbyyXML フォーマットの出力にも対応している。依頼主に kraken が文献写真の文字を読み取って出力したデジタルテクスト（図2）を送ると、ほとんど正確だとの良い評価を頂いた。

前回は、kraken の行認識の欠点を書いたが、現在その欠点を補うプロジェクトが eScripta[11]で進められている。eScripta とは、PSL 研究大学を中心に始動しているプロジェクトである。PSL 研究大学とはパリのエコール・ノルマル・シュペリウールなどのグランゼコール（高等専門大学校）などが2010年に連合して設立した新しい大学である。

eScripta は、文献の写真の HTR（Handwritten Text Recognition：手書きテクスト認識）からデジタル学術編集版のウェブ公開までの一連のプロセスのスタンダードを提示する。ツールは CNN（convolutional neural network）を用いた新しい行認識プログラム、kraken、Archetype[12]、Pyrrha、TEI Publisher[13]である。CNN のものは、kraken 内蔵の行認識プログラムよりも優れた行認識能力を持っているようであり、これによって HTR が可能になる[14]。これで行認識した後、学習済の kraken で文字を認識させ、Archetype で文献情報や言語学的情報をタグ付けした後、Pyrrha で誤認識などのエラーを修正し、最後は TEI Publisher で、TEI XML のデータを変形させてウェブ・デジタル学術編集版としてその文献をウェブ公開する。このプロジェクトは、これから、メロエ語[15]、ウガリト語、エラム語、ソグド語、トカラ語、パーリ語、古ジャワ語など、ラテン文字転写ではない、元の一次資料の文字を用いたデジタル学術編集版があまり作られていない言語の手書き文献のデジタル学術編集版を作成していく予定である[16]。将来的には、行認識、文字認識、エラー修正、タグ付け、ウェブでのデジタル学術編集版の公開というデジタル学術出版版を作成する一連のプロセスのモデルを提示することが期待されている。

特別寄稿「論文紹介：A. Fickers & T. van der Heijden「交易空間の中で：デジタル・ヒストリー実験室でのティンカリング」（後編）」

学際的交易空間と「境界的事物」

著者によれば学際的交易空間としての DTU は、「学際性」・「共通言語」・「ローカル性」という3つの観点から分析されるべきだという。

なかでも「学際性」は、DTU の核心ともいうべき概念であるという。ここでいう「学際性」は、J. T. Klein いうところの「方法論的学際性」と「理論的・批判的学際性」の双方を含む概念として定義されており[1]、「異なる知識領域に由来する方法や観点を集積することができる」という利点を有する。それゆえ DTU においては、学生による多分野連携プロジェクトや相互学習の機会が設けられており、学生たちもその意義を実感していることがインタビュー調査から窺われる。その一方で、学際研究に際して浮き彫りとなる人文学とコンピュータ・サイエンスにおける学問認識の相違、すなわち客観性や科学的実証性を巡る認識問題が課題としてあげられている。DTU は、こうした主観性―客観性という対立構図を「デジタル解釈学という概念を用いて克服すること」を目指している。それはすなわち、コンピュータ・サイエンスの手法によってもたらされる客観的なデータを、いかにしてより主観的で解釈依存的な歴史分析に接続しうるのかを十分に考察する、ということであろう。そのためには、そうしたデータを生み出すデジタル技術・手法を十分に理解し、批判的に分析する能力が求められると同時に、従来の人文学的思考力もまた要求されることになるという。

つぎに「共通言語」についてみれば、これは複数の要素から成る集団の形成原理という文脈で言及される。すなわち、そうした集団は均質性―異質性および協調性―強制性という二つの対比軸から成る4象限の性質を持ちうるが、このうち「共通言語に基づく集団」は均質性および協調性を強く持つという。DTU は当初、「共通言語に基づく集団」の形成を志したようである。というのも、異なる学問的背景を持つ学生を集めた DTU は、その形成時においては必然的に異質性および強制性に基づく「強制された空間」たらざるをえず、そこに共通基盤を構築することが志向されたからである。そして、こうした共通基盤構築のために用意されたのが上述（前編）の「準備期間」である。しかし、著者はこうした試みが中途で再検討を余儀なくされたことを明らかにしている。「準備期間」における必修カリキュラムは、必ずしも自身の研究に直結しない事柄の学習を強制された学生たちによるある種の抵抗を惹起したのである。こうした事実は、より大きな文脈でみれば、個人の研究と学際的研究との間の緊張関係とも捉えられるであろう。

最後の「ローカル性」は、物理的な近接性に関わる概念である。DTU は、各々が別々の場所にあって遠隔につながる「グローバル性」より、一所に物理的に集まる「ローカル性」を重視しているといい、そのために上述（前編）のような「場」を用意した。この「場」がある程度有効に機能し、遠隔では生じえなかった学生相互の交流や協働を促進したことはインタビュー調査からも窺われる。その意味では、物理的な近接性が学際的交易空間の形成に寄与したことは明らかである。だが一方、各学生が持つ個別の研究室やプライベートな空間との住み分けが問題となり、当初の意図に沿った空間形成が進んでいないことも明らかにされている。

以上のように、学際的交易空間の形成を巡っては、異分野間の認識論的・方法論的差異を架橋するための「デジタル解釈学」「共通言語」「場」など、様々な「境界的事物」の設定が試みられたことがわかる。そして、そうした試みは一定の成果を上げると同時に、今後さらに検討されるべき重要な課題をも浮き彫りにしたと言えるだろう。

ティンカリング

ここまでは学際的交易空間の形成に関する議論であったが、4章では、交易空間の中で実際にどのような実践が行われているのかが語られる。そこで重要になるのが、ティンカリングという概念である。ティンカリングとは前編註6でも記したように「素材や道具、機械を『いじくりまわす』こと」であるが、論考中では、1）方法論的なティンカリングと発見可能性、2）認識論的な批判を含む解釈学的実践としてのティンカリング、という2つの側面から検討が加えられる。いずれの場合にも実験的試行錯誤とハンズオンが重要視されていることは言うまでもない。

1つ目の観点である方法論的なティンカリングについては、テキストマイニングやネットワーク分析といった分析手法、およびそのためのデジタルツールの利用と分析を通して、「自身の史資料を分析・可視化・解釈し、意味のあるパターンや関係性、例外を発見するためにデータベース構造やテキストマイニングのアルゴリズム、データ可視化技術とどのように向き合うべきか」を学ぶ環境が用意されていることが明らかにされる。

他方、認識論的なティンカリングについては、分析的手法の導入に至る以前、すなわち「モノ」としての史資料からデータへ、データから構造化されたデータベースへという変換過程における情報の変質や欠損、再構成といったより根本的な側面に注意が向けられ、デジタルデータや構造化された情報についての認識論的側面が扱われる。具体的には、史資料のデジタル化やデータベース構築をハンズオン形式で実際に体験することで、それらの問題に自覚的に向き合うカリキュラムが用意されている。

おわりに

ここまで、論考自体の構成に沿いつつ、その内容を辿ってきた。「基盤としての環境整備」から始まり、「学際的交易空間形成の理念と実際」、そして「具体的な研究実践」の検討へと進む論考の骨子を紹介することはできたと思う。このような本論の記述を踏まえ、著者は結論において3つの教訓を引き出している。それは、1）空間としての「場」の意義、2）学問領域的・制度的な溝の認識、3）共同研究プロジェクトの設定による専門研究と学際研究間の緊張関係緩和の可能性、である。これらの教訓は、これからの日本におけるデジタル・ヒストリー研究環境・教育を考える上でも十分に検討されるべき課題であると思う。

1つ目にあげられた「場」の意義の認識と整備は十分に進んでいない。ここでいう「場」とは物理的な意味であるが、現在、DTU に比するような諸々の設備を備えた独自の研究室・実験室を持つデジタル・ヒストリー部門は皆無である。設備のみならず、デジタル・ヒストリーに携わる学生・研究者が日常的に交流しうる「場」も非常に限定的である以上、「場」の環境整備をいかに進めるか―あるいはあえて進めないか―は議論される必要がある。

2つ目の問題はより制度的な問題であるが、著者も指摘するように、各々の学問領域に属する、必ずしもデジタル・ヒストリーには関わらない教職員との関係性や、彼らが果たす役割も無視されるべきではないだろう。

そして3つ目の教訓は、とくに学生にとって非常に重大な問題である。論考でも指摘されているように、個人の専門研究とデジタル・ヒストリーの学習・研究が乖離した場合、学生は両者の緊張関係に苦しむことになる。両者を相互補完的な形で進めうる環境を実現するためにも、どこまでの内容を共通して学ぶべき―いわば必修―事項として設定しつつ、個別のニーズに合わせたカリキュラムを提供しうるかを考慮する必要がある。また、個々の専門研究に資するような共同研究を促進し、学生でも参加できる環境を整えていくことも重要な課題になるであろう。