入力データとその準備について（Word vs. Excel）

[tma436211-ui]

お使いのKH Coderのバージョン

KH Coder3. -Beta.03i

ご質問の内容をお書きください

■お使いのOS
→Windows 11

■分析しようとしているのは何語のテキストですか？
→日本語

■ご質問の内容

KH Coderを使用させていただいている者です。

テキストデータの準備形式について、初歩的な質問で恐縮ですがご教示いただけますと幸いです。
これまで、テキストデータをWordファイル（.docx）で読み込ませて分析を行っておりました。
公式の使い方では、Excelファイル（.xlsx）が推奨されているようでしたので、試しにExcelファイルにテキストデータを入力し再度分析したところ、以下のような結果の出力になりました。

・「総抽出語数」と「異なり語数」の数値が、Excelファイルにした場合、いずれも減少している
実際のデータは、
総抽出語数：1110（Word）→1091（Excel）　異なり語数：307（Word）→288（Excel）

・共起ネットワーク分析や、抽出語リスト分析の結果はWordファイルとExcelファイルとで一致している。

自分なりに原因を考えたところ、Wordファイルでは「参加者ID」（01,02,03...)も入力していたのに対し、Excelでは「テキストデータ」のみをセルに入力したことで、それらのノイズが除外され、語数が減少したのではないかと推測しております。

そこでお伺いしたいのですが、
① このように「テキストデータの準備形式」によって総抽出語数た異なり語数に差異が生じる理由は何でしょうか。
② Wordファイルを用いて分析していたこと自体は、テキストマイニングのプロセスとして致命的な問題になり得るでしょうか。

お忙しいところ恐縮ですが、ご回答いただけますと幸いです。よろしくお願いいたします。

[ko-ichi-h]

KH Coderを開発している樋口です。書き込みありがとうございます。

自分なりに原因を考えたところ、Wordファイルでは「参加者ID」（01,02,03...)も入力していたのに対し、Excelでは「テキストデータ」のみをセルに入力したことで、それらのノイズが除外され、語数が減少したのではないかと推測しております。

おそらくはお書きいただいた通りかと思われます。

Excelファイルの場合は、分析対象列の内容だけがテキストとして認識されます。他の列に入力されているID番号とか、例えばジェンダー・年代のような変数は、テキストとして認識されません。一方でWordファイルの場合は、入力されているすべての文字列がテキストと認識されます。またWordからテキストに変換する際に、罫線などの書式が、記号等に置き換えられる場合があり、この場合はそれらの記号もテキストとして認識されます。

ただ、実用上の問題は生じないかと思います。ID番号や変数、記号などが増えると、その「文」「段落」の長さが少し実際よりも長く認識されるでしょう。しかし、それによって分析結果が大きく変わることは考えにくいです。例えば、共起ネットワーク作成時に共起の強さを測る（デフォルトの）Jaccard係数は、上記のような形で文・段落の長さが伸びても、計算結果にはいっさい変化が生じません。Euclidやコサイン係数では、わずかに変化が生じますが、本当にわずかです。したがって実用上の問題はありませんが、おすすめはExcel・CSVということになります。

---

なおKH Coder 3 Beta版のサポート（積極的な改修）は終了していますので、たとえば人に見せたり論文に載せるような重要な分析については、KH Coder 3正式版のご利用をお勧めしております。Beta版のなかでも相当古いバージョンをお使いいただいているようですので。