第 5 章 言語情報を用いたがん情報の分類
5.4 実験と結果
5.5.1 言語空間の考察
本章で実装した分類器は5.3節でも説明したように，ウェブページ上の名詞の頻度を素性
でのトレーニングデータの名詞の頻度を比較した結果を図 5.1に示す．これは，各カテゴ リにおけるそれぞれの名詞の頻度とその他のカテゴ リの名詞の頻度の集合と比較したもの である．例えば，1and234であったら，2.Personal, 3.Media, 4.Otherのトレーニングデー タを元に，名詞の頻度をそれぞれの名詞に対して加算していき和集合を作成し ，新たに 2.Personal, 3.Media, 4.Other(c-234と呼ぶ)の３つを合わせた一つの集合としたカテゴ リ を作成する．なお，作成した和集合のそれぞれの単語の頻度は3で割り，平均を取ったも のである．そして1.Authorizedのそれぞれの名詞の頻度からc-234でのそれそれの単語の 頻度の差をdistanceと呼ぶ．つまりこの値が大きくなるほど そのカテゴ リで頻出する名 詞であり，値が小さくなるほどそのカテゴ リではあまり現れない名詞だと考えられる．
1.Authorizedには“研究”という名詞が9977回出現する．それに対してC-234では1506 回出現する．この差をとると8741回となり，C-234に対して1.Authorizedでは“研究”が 8471回多く出現しており，これ1.Authorizedに特徴的に現れる単語だとわかる．
逆に，1.Authorizedには“漢方”という名詞が4回出現しているのに対して，C-234で
は8749.5回出現している．差をとると-8790.5となる．つまり，“漢方”が出現したらその
ページは1.Authorizedではない可能性が高いことを示唆している．ここで注目すべき点
は，distanceが0の単語が多く存在しているこである．distanceが0ということは，つま りその名詞はウェブページの分類する際に影響していないことを意味する．
5.5.2 各カテゴリの言語的特徴
本節では5.5.1節で示した図5.1の名詞の特徴を詳しく考察する．表5.3，表5.4に図5.1 で用いたデータのdistanceの上位10名詞と下位10名詞を示したものである．1and234の 表の考察を述べる．特徴的な名詞はdistanceが一番大きい“研究”と，逆に一番小さい“ 漢方”である．これは個人や企業が発信する情報の質の違いを表している．これは本研究 の目的でも述べたように，がん患者は情報の選択に困難を強いる原因となると考えられ る．1.Authorizedで化学療法などの専門的な名詞がよく使われるのに対し，4.Otherでは 漢方の説明が多いことが予想される．がんは治療法が確立されていない疾患であるため，
様々な治療法がウェブ上で説明されるのは当然のことであるが，この問題は命に関わる問 題なので深刻である．
また，1.Authorizedには“相談”という名詞がほとんど 出現してないことが示されてい る．この名詞は主に4.Otherで頻出している単語である．1.Authorizedでは，各がんの解 説や症状をまとめて解説しているページが多いが，がん患者にとって専門的な文書は難
解である．また，病気の進行や，段階によって患者の悩みや知りたいことは病期や病状に よって様々なことがある．今日ウェブ上でがん患者に求められているのは，がんに関する 情報に加え，気兼ねなく相談できるようなシステムが必要されている可能性が高いことが 示唆された．今後の研究として，1.Authorizedの情報だけでは足りないような付加的な情
報を2.Personalの体験談や医師個人の発信する情報と組み合わせて情報を提供するシステ
ムを研究していきたいと考えている．
人称代名詞の使い方にも違いが現れた．例えば ，“私”という名詞は一人称で用いられ る単語であり，1.Authorizedで使われることは少ない．“私”は闘病記や体験記に特徴的 に使われる名詞である．そのほかに，“先生”という名詞も一般的には患者が使う名詞で あり，1.Authorizedでは“医師”という名詞を用いる．これは一例に過ぎないのだが，医 師が記述するがんのウェブページと個人が記述するそれでは同じ内容を述べていても使用 する単語に違いがあることを意味している．
表 5.3: 各カテゴ リにおける特徴的な単語(1and234,2and134) 1and234
名詞 distance 名詞 distance
研究 8471 漢方 -8790.5
一覧 3906 相談 -8152.5
国立 2782.75 子宮 -6928
がんセンター 2779.75 シート -6219.75
更新 2552.5 私 -4354.75
遺伝子 2051.75 抗がん剤 -3415
先頭 2020.75 治療 -3380.5
目次 1914.75 体 -3223.25
問い合わせ 1764.75 薬局 -3132.25
内容 1278.5 医学 -3000
化学療法 1244 卵巣 -2863.25
2and134
名詞 distance 名詞 distance
私 7216.25 研究 -4987.75
入院 3917.75 相談 -4558.75
病院 3905.75 漢方 -3888.75
検査 3240 シート -3066
自分 3214.25 情報 -2086.5
先生 2336.25 一覧 -2069.75
海外 1875 抗がん剤 -2062.5
手術 1871.75 内容 -2034.75
これ 1816.5 必須 -1739.5
人 1805.75 薬局 -1599
表 5.4: 各カテゴ リにおける特徴的な単語(3and124,4and123) 3and124
名詞 distance 名詞 distance
必須 6875.5 研究 -4725.25
記入 6763.5 相談 -4473.75
番組 3656 漢方 -4253.75
情報 2971 子宮 -4155.5
家族 2778.5 シート -3124.75
本人 2707 冬虫夏草 -2953
患者 2672.25 治療 -2462.25
全角 2570.5 細胞 -2235
個人 2461.75 抗がん剤 -2152.5
ホームページ 2393 一覧 -2072.25 4and123
名詞 distance 名詞 distance
漢方 17095 研究 -3340
相談 16965 病院 -2605.5
子宮 12812 国立 -1970.75
シート 12417.75 一覧 -1776
抗がん剤 7430 必須 -1607
薬局 6314.75 記入 -1565.25
体 6096.25 医療 -1407.75
治療 5594 更新 -1383.5
医学 5463 がんセンター -1361.75
卵巣 5007.25 全角 -1310