スタイルの計量に関する覚え書き

目次

• ０．はじめに
• １．Zip圧縮による調査の方法と結果
• ２．Zip圧縮と文体論との関わりについて
• 参考文献

０. はじめに

分類・理論・実証という３つの軸からスタイルの研究を見るとき，従来のスタイル研究は，テクストの帰属による階層的な分類（媒体・時代・筆者・テクストジャンル・テーマ・表記・レジスターなど）^注１を用いることが多かった．階層的分類は，テクストのおおまかな性質を指すことができるが，明確な基準に基づくものでなく，階層も緩やかな上下関係を持つだけである．一方，スタイルの数理的研究は，スタイルについて，特定の基準に対するテクストの相対的位置関係による分類を与えるものと見做すことができる．スタイルがテクストの特異性を意味するのであれば（周知のようにスタイルの定義は概ね複雑且つ微妙であり，テクストの特異性を意味しないことも少なくないが），スタイル認識はそれ自体に複数のテクストの比較を含むことになる．スタイルをテクストの特異性と見做すときには，相対的分類が用いられるべきである．その点では、テクストの相対的分類はスタイル分析の基礎とされるべきものであろう．

スタイルの数理的研究は，テクストを相互にグループ分けする一方で，テクストの特異性という点からは，原著者推定を特に重要な問題としてきた^注２．それは，テクストと他のテクスト（複数）との相対的関係を定める作業を含む．階層的な分類に基づいた文体研究は，例えば，あるテクストが著者という階層で帰属する特定の個人に応じて，その特徴を述べ立てるものであるから，著者未詳のテクストから原著者を推定するといった問題には向いていない．

テクストの原著者推定には様々な手法が提案されているが，十分な精度があれば，汎用性があり，機械的であり，適用が容易であるほどよい．その点では，語学的単位（表現上の特徴）を指標として用いない方法があるならば，恐らくそれは優れた方法であろう^注３．そこで注目されるのが，Zip圧縮を用いる方法［１］である．

本稿では，この方法を，日本語のテクストに適用した結果を報告し，日本語文体論の立場から若干のコメントを加えたい．

• １）階層的な分類については山中［３］も参照．
• ２）スタイルの数理的研究の流れについては，金［４］参照．
• ３）言語要素の分析などの事前処理を必要としないため，適用が容易であり、テクストジャンルや、「談話体」（魚返［５］の用語で、よりくだけた口語体の意味．現代語では、無助詞表現や表記符号の非規範的表記などを含む）などの話体の影響も受けないであろう．

１．Zip圧縮による調査の方法と結果

［文献１］は，以下のように主張する．Zip系のファイルアーカイバ・ソフトウェアは，圧縮アルゴリズムにLZ77を基礎として用いている．これはデータ列中に重複して出現するキャラクタ列を認識し，それらに同じタグをつけるというものであり，同じパターンの列が繰り返し出現するほどファイルの圧縮率が高くなる．これをテクストに応用すれば，具体的に以下の方法で，その相対的関係を知ることができる．(1) 複数のテクストについて，（未知の）テクスト X から部分 x を抽出し（その他すべての）テクスト Ai の後に追加して Ai + x を生成する．(2) L(Ai + x) - L(Ai) を測定する（ここでＬはzip圧縮されたファイルのビット数を示す）．(3) テクストＸは (2) の値が最小になるテクストと同じグループに属する．

［１］で調査された対象は１バイト系言語だが，本稿では１バイト・２バイトキャラクタの混在する日本語のテクストを用いて調査する．

資料には，７人の書き手による学術論文34編（図や表を除く本文の全文）を用いた^注４．ファイルサイズは，最小4581バイト〜最大56526バイト（平均22501.5バイト）で，平均文字数約11255字（400字詰め原稿用紙約28枚）．資料は，直接本人から入手したものとウェブ上に公開されたものとがある^注５．なお，ファイルは，形式を統一し^注６，x となる10〜15KB程度の連続した任意の一部分を抽出した．対象となるテクストの全てが交替で X の役割を努めるようにした．ファイルの圧縮にはMacGzipを用い，リソースフォークは無視した．

この方法では，調査に用いた34の資料すべてで同一著者のテクストに対して適切な位置関係が指定できた．また，ランク１及びランク２を同一著者のテクストが占めたものが29（85.3％），同一著者のテクストが上位を独占したものが13（38.2％）あった．調査結果の詳細を 表１ に示す．表１では著者を示すアルファベートとテクスト番号を示すアラビア数字とで資料を識別し、サイズの欄は．非圧縮時のファイルサイズ（データフォーク量）を示す．本文で示した方法でテストし、圧縮率の高いものから順位をつけ、順位値の上位５位までを示した．

しかし，同じ方法がテクストのテーマの判別にも応用できると示唆されており［１］，表１で第２席を別著者のテクストが占めた例を見ると，類似したテーマを扱っているものが多いようにも思われる．各資料のテーマを 表２ に示す．ここでは、標題や冒頭部の記述から各資料が論じるテーマを判断した．

また、異なる著者のテキストが第２席を占めた場合のテーマを 表２-２ に示す．ここでは、標題や冒頭部の記述から各資料が論じるテーマを判断し，より具体的に示した．

そこで，〈自己と他者〉および〈遺伝的アルゴリズム〉をテーマとするそれぞれ１対のテクスト（各々共通の術語が多く含まれるもの）を含んだジャンルやテーマの異なる16のテクスト（ここでは、テーマの拡がりを考慮し、表１と異なる資料を用いた．資料の平均サイズは22403バイトで、大きなファイルは先頭部分を抜き出した。ファイルの処理は前記に準ずる）の中で，それらが判別されるかどうか確かめた．その結果を 表３ に示す．資料はそれぞれカタカナで区別する（同一著者のテクストには同じ仮名を与えてローマ数字で区別した）．表３で明らかなように，テーマの判別では良い結果を得なかった．また，イ- I 、ロ- I に対するランク１のテクストは，それぞれ著者の同じテーマの異なるテクストであった．スタイルがテクスト内容から独立したものであるかについては諸説あるが、この方法をテクストの意味論的な識別に用いうるとする主張は、疑わしいものと思われる．

結果として，この方法は，著者との関係においてテクスト間の相対的関係を適切に指定するが，テーマやジャンルとの関係では，階層的分類と一致しないようである．これらは，著者の違いがテクストの特異性を明らかにすると示すものでないが（しばしば指摘されるようにスタイルが著者内で変異しうる），スタイルが書き手の問題であるという最も流布した見方（これはスタイルの数理的研究にも共通した認識だが，スタイルの定義としては異説も少なくない）と一致することが指摘できる．

計量的なスタイル研究は，

既製の統計学理論を借りて分析しているのが現状である……理論の中味は black box とみなし，コンピュータで統計パッケージを走らせているのが現状のようである［２］

と言われることがある．特に本稿の方法は，処理を全体的にファイル=アーカイバ=ソフトウェアに依存しており，自らアルゴリズムを操作できないという問題がある．もちろん，データ圧縮法として，zipの採用する方法が最良のものであるわけでなく，より高度な圧縮アルゴリズムの開発が様々な領域で試みられている．辞書法による圧縮アルゴリズムにもバリエーションがあり，様々な新しい提案もなされている．また，特定の目的で開発される圧縮アルゴリズムもある（例：DNAシーケンス解析用のGenCompressなど）．原著者推定のための最良の圧縮アルゴリズム（扱うファイルサイズなどによって一つでないことも考えられる）を研究する余地は大きいものと思われるが，この点は，今後の学際的研究にゆだねられよう．

• ４）年齢は20代〜60代で，男性４名・女性３名．複数の非日本語母語話者を含んでいる．対象に論文を用いたのは，(1)著者が明確である，(2)同一著者について一定の長さを持つ複数のテクストデータを得やすい，(3)基本的に筆者自身が電子化している，(4)権利関係が問題になりにくい，などの理由による．逆に、小説や随筆では，調査のための電子的複製が著作権との関係で扱いが難しく，権利の切れているテクストでは（多くの場合）表記にJIS外字，ルビなど（電子的に）扱いにくい要素が含まれる．特にルビは，文体や表現と密接に関わっていることが示されており（［６］,［７］など参照），多くのルビを含む近代小説の類は一般に電子的処理の適切な対象と考えにくい．
  文章の種類には諸説あるが、阪倉［８］による機能的分類が基礎にされることが多い。これは文章を第１類（日記などの独語的文章）、第２類（手紙などの特定の相手を目指した伝達の文章）、第３類（報道や論文など不特定の相手への伝達の文章）、第４類（小説などの内言的文章）に大別するものである。文章種内のスタイル特徴を論じた研究に較べて、文章種間のスタイル差を論じたものは少ない［９］が、一般的に以下のことは言えるものと考えられる。第１類や第４類では、第２類・第３類以上に個性的スタイルが目指され、或は許容されるということである（多くの文章作法書でも、客観的伝達を旨とする文章は中立的スタイルをとることが良いとされている）。ここでは、第３類に分類される資料を対象とすることで、方法のより良い検証が可能になるものと考える。
• ５）抽出に無作為性が低いが，統計学的な処理を施すのではないので特に問題にならないと判断した．
• ６）文字・改行コードを統一（S-JIS，CR）して，本文を整形した（行末スペースや制御文字など）．処理は機械的に行なった．

２．Zip圧縮と文体論との関わりについて

この方法は，パターン認識に基づいてテクストの相対的関係を定めようとするものである．また，全体的に機械的処理を行なうことは客観的であるといえる．しかし，スタイルに関して言えば，書き手の〈方法〉やテクストの〈表現特徴〉に関する言語的要素の分析や，読み手がテクストにスタイルを認める際の意識の動き^{注 ７}も，正当な研究対象と認められているのである．

この方法は，原著者推定という点では良好な結果を得たが，テクストのスタイルを把握するための確実な方法であるとはいえない．スタイルは，何事か把握し規定することが難しいものである［１］といわれるように，スタイルという用語の意味するところははっきりせず，スタイルの把握も（それが把握できるものと定義されるならば）容易ではないからである．時にスタイルに相反する意味が与えられる以上，複数の方法の総合によってスタイルを把握しうるというものではないが，スタイルに広く合意された意味がない以上，スタイルを把握する確実な方法はないだろう．

文体論には様々な下位区分が為されてきた（例：語学的文体論・文学的文体論・計量的文体論）し，そのなかでスタイルは「的」に適うように自由に定義されてきた．そして，文体論は文学研究・文法論・文章作法・社会言語学などを補完するものであり，それ自体自立した研究領域であったことはない^注８．その意味では，スタイルを一般的なパターン認識の問題として論ずる近年の研究傾向はスタイル研究を発展させるものといってよいし，言語や言語学の知識を必ずしも要しない点でユニークであるといえる^注９．本稿で検討した方法は，加えて，統計学を特に必要としないことから，テクストの相対的分類や原著者推定の便法として利用されるだろう．

• ７）この点では，認知的研究が必要となる．利根川［10］は，文学に感動するときの脳の働きがわかれば文学を産出する助けになるかもしれないといっているが，スタイルを認識する脳の働きがわかれば，われわれは「より〈自分らしい〉表現」，或は形式が内容に一致する傾向があるのなら「より〈効果的〉な表現」を用いることができるようになるかもしれない．
• ８）ウィドウソン［11］はこのことが逆に文体論の研究領域を定めるものだという．
• ９）しかし，最後に付記すれば，文体論とは，無数に定義される「スタイル」とは何であるのか，或はかかる問題に拘う文体論とは何であるのかと，倦むことなく問い続けることで何事かを生みだすものであり鵺的なのだと考えている．

文献

• ［１］Dario Benedetto,Emanuele Cagliotti,and Vittorio Loreto2002 Language Trees and Zipping,，PHYSICAL REVIEW LETTERS 88(4), The American Physical Society．
• ［２］吉岡健一（1999）「計量文体学研究の展望」，ケニィ著・吉岡訳『文章の計量』pp.196-238,南雲堂.
• ［３］山中桂一（1991）「記号論と文体論」，日本文体論学会編『文体論の世界』pp.67-75,三省堂.
• ［４］金明哲（1999）「日本現代文における書き手の特徴情報」，『人文学と情報処理』20, pp.64-71,勉誠出版.
• ［５］魚返善雄（1953）『言語と文体』紀伊国屋書店.
• ［６］木坂基（1979）『近代文章の成立に関する基礎的研究』風間書房.
• ［７］浅田健太朗（1999）「『あひゞき』における振仮名表現」，『日本語表現法論攷』pp.217-229, 渓水社.
• ［８］阪倉篤義（1963）「文章の機能と目的」，時枝他監修・『講座現代語５  文章と文体』p.1-pp.18,明治書院.
• ［９］山口仲美（1991）「各国の文体論−回顧と展望  日本」，日本文体論学会編『文体論の世界』pp.126-138,三省堂.
• ［10］立花隆・利根川進（1993）［1990］『精神と物質』文芸春秋.
• ［11］ウィドウソン, H.G.（1989）『文体論から文学へ』（田中・田口訳）彩流社.