DHM 085 【後編】

《連載》「 東アジア研究とDHを学ぶ」第5回

「「（東）アジア研究×図書館×デジタルヒューマニティーズ講演会」開催報告」

2018年8月9日、関西大学アジア・オープン・リサーチセンター(KU-ORCAS)は、「（東）アジア研究×図書館×デジタルヒューマニティーズ講演会」を開催した[1]。前号に続きイベント報告で恐縮だが、本号ではこの講演会の内容を報告したい。

この講演会を開催したきっかけは、講演者の一人であるマクヴェイ山田久仁子氏（ハーバード大学イェンチェン図書館）がKU-ORCASへ意見交換でお越しいただく機会があったことにある。マクヴェイ氏に対しKU-ORCASからは、ハーバード大の東アジア研究やDH、そしてイェンチェン図書館の現状等を尋ねたいと考えていたが、そのような内容であればKU-ORCASの関係者だけでなく、いっそ公開した方が日本の東アジア研究者や図書館関係者、DH研究者らのためになるだろうという考えから、講演会を企画した。 そして、アメリカの話が出れば日本の状況も気になるということで、「（東）アジア研究」「図書館」「DH」の3つのキーワードに関わる機関として、東京大学附属図書館アジア研究図書館上廣倫理財団寄付研究部門（U-PARL）と京都大学人文科学研究所附属東アジア人文情報学研究センターにもそれぞれ講演を依頼し、今回この講演会は実現した。ご講演をご快諾いただいた皆様に、この場を借りてお礼申し上げたい。

さて、最初の講演は、マクヴェイ山田久仁子氏から「ハーバード大学の東アジア研究におけるデジタル・ヒューマニティーズへの取り組みの現況と展望／DH Work in East Asian Studies at Harvard: Projects and Trends」と題し、ご報告をいただいた。アメリカにおける人文学の学位取得者が漸減傾向にあるという「人文学の危機」の紹介から始まり、一方で、東アジア研究はその状況にあっても比較的健闘しているが、中韓に比べ日本だけが減少傾向にある現状が示された。 次いで、ハーバード大学で2015年に結成されたDigital Scholarship Support Group[2]という、その名の通りデジタル学術研究の支援を行う組織とその中での東アジア研究に関わる取り組みが紹介された。ハーバード大学のデジタル資料を提供するDigital Repository Serviceに登録されている日中韓の資料群について、フルテキスト検索を可能とする計画が今年秋からスタートするとの情報は特筆すべきであろう。 また、East Asian Digital Humanities Lab[3]という、東アジア研究におけるDH研究の支援を行う組織がイェンチェン図書館には置かれており、このようなラボ設置は同大学内では初めてとのことであった。 East Asian Digital Humanities Labは院生中心に運営されており、2017年から各種のフォーラムを開催し、それらは主に中国関係の資料・データを使ったDHプロジェクトが多いようである。日本関係のDHについては、ライシャワー研究所にJapan Digital Research Centerがあり、昨年夏から日本デジタル研究ライブラリアンが、そして2018年の今年秋から日本研究デジタル・フェローが在籍するとのことである。 Japan Digital Research CenterではJapan Disasters ArchiveとConstitutional Revision Research Project（憲法改正研究プロジェクト）の2つが行われており、前者については日本の特に図書館関係者には比較的よく知られているだろう。 後者では、2005年以降、100を超す日本のサイトのウェブアーカイブを進めているという。講演の最後では、中国関係のDHプロジェクトとして、Donald Sturgeonによる前近代の中国語のテキストデータを提供するChinese Text Project[4]や中国学におけるDHの情報をまとめたDigital Sinology[5]、そしてPeter K. Bolによる中国伝記情報データベースプロジェクトChina Biographical Database等が紹介された。

次に、U-PARLの2人の副部門長に「東京大学附属図書館U-PARLの活動と研究図書館としての漢籍デジタル化の試み」というタイトルでご講演いただいた。まず、永井正勝特任准教授からは、東京大学のアジア研究図書館の構築支援事業と、U-PARLによる資料デジタル化事業について紹介をいただいた。アジア研究図書館では、学内にある30ほどの図書館に分散しているアジア関係資料を一か所で保存・提供することを目指しており、また、特にアメリカに倣ったサブジェクトライブラリアンとしての研究者を配した研究図書館を目指しているとのことであった。 資料デジタル化については、Flickrを使ったデジタルアーカイブ事業[6]について紹介があり、また、現在はIIIF対応のデジタルアーカイブの構築を進めているとのことである。もう一人のU-PARL副部門長である東京大学東洋文化研究所の上原究一准教授からは、東洋文化研究所をはじめ国内外の各機関における漢籍デジタル化のこれまでの流れや事例について紹介があり、その後、自身の研究対象である白話小説を対象にした資料比較の意義が論じられた。 その資料比較については、漢籍の多数ある版の違いで本文が微妙に異なることを『三国志演義』を題材に紹介され、また、例えば『西遊記』の同じ系統の本でもその修復の仕方から異なる内容が生じてしまっているケースがあることから、デジタル画像による比較の意義を強調された。そして、最後に、東京大学には『水滸伝』の珍しい版があることから、U-PARLではこれのデジタル化を行い、年内にも公開を予定しているとの紹介があった。

3つ目の講演枠として、筆者が「関西大学KU-ORCASによる東アジア文化研究のためのデジタルアーカイブ構築プロジェクト」と題し、KU-ORCASの紹介を行った。報告内容は、本誌第81号【後編】に寄せた「関西大学アジア・オープンリサーチ・センター（KU-ORCAS）とは」[7]とほぼ同じようなものである。それを踏まえ、筆者は、KU-ORCAS、そして関西大学の漢学／東アジア文化研究の特徴が、学問分野と学問対象地域に対する「越境性」にあることから、これを支援するような仕組みをデジタルアーカイブで志向していることを述べた。

最後に、京都大学人文科学研究所附属東アジア人文情報学研究センターの安岡孝一教授から「デジタル図書館としての東アジア人文情報学研究センター」のご講演をいただいた。東アジア人文情報学研究センターは、1965年に東洋学文献センターとして開設され、2000 年に漢字情報研究センターへと改組し、そして、2009 年に現在の東アジア人文情報学研究センターとなった組織である。東アジア人文情報学研究センターは、これまで東アジア資料を対象にしたデータベースやDHに関わる研究を長期にわたり続けてきており、講演では現在でも運用されている各種プロジェクトについて、それぞれ紹介された。 取り上げられたのは、「全国漢籍データベース[8]」「東方学デジタル図書館[9]」「拓本文字データベース[10]」「CHISE[11]」「kanripo[12]」「古典中国語 (Kanbun) コーパス[13]」である。ここでは各内容を詳述しないが、安岡教授によると、東アジア人文情報学研究センターでは、先述のプロジェクトを通じて、目録・画像・文字・テキストの4つの領域を扱うようになった、とまとめられたのが印象的であった。

講演の後は活発な質疑応答が行われ、講演会は終了した。企画者として、ハーバード大学の研究者層と支援体制の厚さ、東京大学のアジア研究図書館開設に向けた活発な活動、そして京都大学の地道で着実な研究活動の蓄積を知るよい機会となったと感じている。いずれの機関も特色ある研究活動を行われているなかで、KU-ORCASの立ち位置を意識せざるを得ず、また、KU-ORCASとしては各機関と積極的に連携し、東アジアDH研究を盛り上げていければと感じた。なお、講演会の資料は後日関西大学の機関リポジトリで公開を予定している。

「データ前処理過程の記述・公開」

はじめに

この連載では、2018年4月15日にTokyo Digital Historyによって開催されたシンポジウムの登壇者が、それぞれの立場から歴史研究と人文情報学との関わりを論じる運びとなっている[1]。第4回は、日本経済史（近代日本における人的資本形成）を専門とする山崎翔平が担当する。本シンポジウムでは、歴史研究の作業過程を情報の入手・分析・表現・公開という4つに分類し、8人の報告者がそれぞれの作業過程に対応したデジタル技術を紹介した。筆者は、情報の入手と分析の過程の間で必要不可欠となる「データの前処理[2]」について担当し、この過程をプログラミング言語により、記述し公開することの重要性について論じた。以下、報告の内容を簡潔に紹介するとともに、参加者と議論となった部分について補足を行いたい。

報告内容

本報告では、明治期県境変更の補正を事例にデータの整備・加工作業におけるプログラミング言語を用いたバッチ処理（あらかじめ処理に必要な指示と要素を与えておきデータを一括して処理する手法）の有用性を示した。データの整備・加工作業は、データを入手した後、分析の前準備として不可欠な過程であり、複数の統計書から様々な変数を組み合わせてデータセットを構築するなど、しばしば煩雑なものとなる。手順が複雑になれば、間違いが発生する可能性が高くなり、自身が加工過程を再現できないばかりか、第三者が加工の妥当性を検証することも困難となる。また論文内における記述も長大となり、手順を書き漏らすこともありうる。

そこで、作業手順をプログラミング言語のコードとして記述し、それを用いてバッチ処理を行うことが重要となる。それにより、作業が省力化されるだけでなく、コードを公開することによって、第三者にも加工過程の検証がしやすくなり、再現性が担保される。

筆者は、長期府県パネルデータを用いる分析の前処理として、合併・分割が相次いだ明治前期の県域を現在の47都道府県のそれと一致させるためのバッチ処理を行うプログラムを開発した[3]。具体的には、Fukao et al. (2015, A2.6.1)の手法を用い、「郡」の所属変化を追跡し、郡ごとの人口情報を用いて値を按分することにより補正を行う[4]。こうして得られた値は、県民一人頭の変数として使用する分には、それなりに十分な精度であると考えられる。現在のところ、全国統計が刊行され始める明治6（1873）年から、三多摩郡が神奈川県から東京府に移管され県境が現在のそれとほぼ一致した明治26（1893）年までの、県域の変遷に対応しており、処理速度も実用に耐えうるものとなっている。このプログラムにより、県域変更により接続が困難であった統計データを用いた長期的な視角による分析が容易に可能となった。

コードの公開について

本月報の読者層を考えれば、前処理の過程をコードで記述しておくことは、当然の作業であり、目新しさなど微塵の欠片もないと思われる。しかしながら、こうした前処理の過程がコードとして公開されている事例は、経済史分野において管見の限り希少と言わざるを得ない。特に数量経済史においては、経済統計の推計が主たる貢献になる研究であるにもかかわらず、推計方法が文章で説明されるのみで、再現が困難な研究もたびたび見受けられる[5]。

ここで国際雑誌の動向についても確認しておきたい。経済学の一流誌の多くで、使用したデータ及びコードを含む加工過程を雑誌Webページで公開し、論文が完全に再現できることを義務付けている[6]一方、経済史の三大誌のうち2つ（The Journal of Economic History、The Economic History Review）には、そのような義務付けが存在しないどころか投稿規定にデータの取扱に関する項目すらない[7]。 Explorations in Economic HistoryのGuide for AuthorsにはResearch dataの項が存在するものの、公開をencourageするにとどまっている[8]。

このように経済史分野において国内外でデータ及びコードの公開が進んでいないという現状が確認できた。国内の経済史研究では、大量のデータを用いる研究が少なく、学会がそうした状況に対応できていないことも要因の一つであろうが、数量経済史が一般的な海外の経済史学会においても進んでいない状況を踏まえれば、別の要因もありそうだ。

例えば、データの入手費用の違いである。すでに電子化されているデータを用いる同時代的な経済分析に対し、電子化から始めなくてはならない歴史分析では生データの入手費用が高いため、それを公開することに対する抵抗感が拭えない、というのは肌で感じるところである。近い将来、OCR技術やデジタル・アーカイブのさらなる発展により、生データの入手費用が下がり、誰もが同じデータを使えるような状況になってくれば、学会の要請も変わってくると信じたい。

コード自体の再現性について

プログラミング言語の互換性の問題により、コード自体の再現性が失われることに対する懸念が指摘された。確かに、Python 2.x系で書かれたコードが、Python 3.x系で動作しないという経験は、Pythonを触ったことがある方ならば、誰もが持っているであろうし、10年後にそのコードが正常に動作する環境が手軽に揃うかどうかの保証はどこにもない。しかしながら、Dockerなどのコンテナ技術の発達により環境の再現は容易になってきているし、需要が高い処理であるならば、移植されたり保守管理され続けるであろう。

もう一つの懸念は、コードの可読性の問題である。数ヶ月前に自分で書いたコードの処理を読み解けないという方は、案外多いのではないか。自分ですら読めないのに第三者が読み解くのは困難であり、結局ブラックボックス化してしまう恐れがある。これについては、可読性の高いコードを書くように心がけるしかないが、自分のためにもなるのだから手間を厭わず書くようにしたい[9]。

作業手順の記述に際し、従来の文章に加えコードも用いることによって、二つの経路により再現性がより強固に担保されることになる。分かりづらい文章を書く人が読みやすいコードを書けるという事例は稀だと思われるので、再現性が直ちに向上するとは限らないことには留保する必要があるものの、双方を行き来することで、これまでは諦められていた検証が可能になるかもしれない。周知の通り、科学という思想体系の根幹をなすものが再現性であり、それをいかに担保するかということに対して情報技術が貢献できる部分は大きいように思われる。

おわりに

データ前処理におけるプログラミング言語によるバッチ処理の有用性は、本月報の読者からすれば今更なことかもしれないが、こうした作業をExcelシート上でGUI操作により行ってきた身からすれば、バッチ処理によって実行操作だけで作業を再現できることは、大きな進歩であった。データ前処理の手法やコツについては、体系的な知識は存在せず、現場に蓄積されるものであり、実践やRAを通じて学ぶしかないが[10]、ToDHとして講習会や共同作業を通じて学ぶ機会を提供したいと考えている。

執筆者プロフィール