討論会の世論はどう分析する？「誰が討論で優れていたか」をネットユーザーの反応から測るサンプリング・ラベリング・クラスタリング手法

テレビ討論会が終わると、各陣営はいずれも自分たちが勝ったと主張します。「ネットユーザーは誰のほうが良かったと考えているか」に答えるには、言及量を数えたり、ポジティブ・ネガティブの感情を測ったりするだけでは不十分です。言及量が多いからといって称賛されているとは限らず、ネガティブな感情からは誰を批判しているのかもわかりません。本記事では、LargitData が 2026 年の台北市長・高雄市長討論会に対するネット上の反応を分析した一連の流れを、重複除去、プラットフォーム別サンプリング、コメント収集、立場ラベリング、クラスタリング、提示方法、そしてこの手法ではできないことまで含めて説明します。

なぜ言及量や感情だけを見てはいけないのか

言及量が答えるのは、誰が多く話題にされているかです。討論会の後に大量に話題になった候補者は、パフォーマンスが際立っていた可能性もあれば、失態があって繰り返し拡散された可能性もあります。一般的なポジティブ・ネガティブの感情分析が答えるのは文章の語調ですが、語調の強いネガティブなコメントは、対立候補を批判している場合もあれば、自分が支持する候補者の見ていられないパフォーマンスを批判している場合もあります。

そこで私たちは、問いを1件ずつ判断できる定義に書き換えました。このコンテンツの投稿者は、ある候補者が討論会でより良かったと明確に述べているか、または強く示唆しているか。政見の内容だけを語るもの、ニュースの転載、ライブ配信のリンクを尋ねるものは、いずれも表明とはみなしません。この定義は感情より狭く、統計に含められるコンテンツは少なくなりますが、1件1件が問いに直接答えるものになります。

もう一つの問題はプラットフォームです。PTT、Threads、Dcard、Facebook グループ、ニュースサイトのコメント欄では利用者の構成が異なり、同じ討論会でもプラットフォームによって正反対の結論になることがよくあります。すべてのプラットフォームを混ぜて集計すると、結果は主にどのプラットフォームのデータが多いかで決まり、ネットユーザーがどう見ているかを反映しなくなります。

分析の流れ：8つのステップ

下表は、各ステップの方法と、2026 年の台北市長・高雄市長討論会の分析で実際に使ったパラメータをまとめたものです。

重複除去：なぜ2段階で行うのか

討論会の後、同じプレスリリースは複数のサイトに転載され、同じ文章が別々のアカウントによってコピー＆ペーストされます。完全に同一の内容は、正規化したテキストを照合すれば除去できます。タイトルだけを変えたり数文字を加えたりした転載は、MinHash でテキスト断片の重なりの割合を推定し、80% 以上重なるものを同一とみなします。残すのはエンゲージメントが最も高い1件で、統合された件数も記録します。重複除去をしないと、大量に転載されたニュースがサンプリングとクラスタリングで重複して計上されてしまいます。

プラットフォーム別サンプリング：半分は高エンゲージメント、半分は無作為

エンゲージメントが最も高いコンテンツだけを取ると、見えるのは各プラットフォームで最も注目された意見です。無作為抽出だけにすると、表明のない転載を大量に拾いやすくなります。そこで私たちは各プラットフォームで半分ずつ取得します。高エンゲージメントの半分は影響力の大きいコンテンツを、無作為の半分は一般的な発言を代表します。無作為抽出には固定の乱数シードを使っており、同じデータで再実行すれば同じサンプルが得られます。

各プラットフォームから同じ件数を抽出するのは、小規模なプラットフォームでも単独で分析できる十分なサンプルを確保するためであり、各プラットフォームの実際の議論量を代表させるためではありません。これが、プラットフォーム横断の合計値を勝敗の判定に使うのが適切でない理由でもあります。

コメント：投稿とは別の、もう半分の声

多くのネットユーザーは自分では投稿せず、ニュース、PTT の記事、Threads の投稿の下にコメントするだけです。私たちは各プラットフォームでエンゲージメントが最も高く、かつコメントのある投稿からコメントを取得し、同一投稿者の投稿は最大 3 件までとして、単一アカウントのコメント欄がサンプルを占めてしまうことを防いでいます。コメントは「正規化したテキストと推・噓の種別」の組み合わせで重複除去します。「推」「+1」のような短いコメントは異なる投稿の下でも完全に同一になるため、コメント ID では判断できないからです。

コメントを取得できるかどうかはプラットフォームによって異なります。PTT、Threads、一部のニュースサイトのコメントは完全に取得できますが、Facebook ページ、Facebook グループ、YouTube、TikTok の多くの投稿ではコメントを取得できません。コメントを取得できる投稿を1件ずつ確認して別途取得し、結果にその旨を明記します。

誰を「ネットユーザー」とみなすか：4種類のコンテンツを分けて集計

「ネットユーザーは誰が良かったと考えているか」を測るには、一般のネットユーザーではない声を除外する必要があります。そうしないと、結果が少数のアカウントやコメント欄に左右されてしまいます。私たちは関連コンテンツを4種類に分け、1つ目のみをネットユーザーの統計に含めます。

1. ネットユーザー：PTT、Threads、Dcard、Facebook グループ、X、LINE オープンチャット上の一般投稿、および各プラットフォームの投稿の下のコメント。
2. メディア・著名人：ニュース報道、Facebook ページ、YouTube・TikTok チャンネルの投稿。これらのコンテンツは議論に影響を与えますが、代表しているのは発信者の見解や報道です。
3. 候補者・政治家：候補者や政治家本人のアカウントによる投稿、および政治家の Facebook ページの下のコメント。政治家の Facebook ページのコメント欄は支持者が中心であり、統計に混ぜると結果が一方に偏ります。
4. 伝聞・引用：ネットユーザーが政治コメンテーター、学者、メディアの評価を転載し、自身の見解を示していないもの。ラベリングの原則により、投稿者本人の表明とはみなしません。

立場のラベリング：定義はモデルより重要

各コンテンツには、言語モデルが同一の指示に基づいて5つの項目をラベル付けします。指示には各値の条件を明記し、モデルには構造化された結果のみを出力させます。

モデルによるラベリングの完了後、無作為に 60 件を抽出して人手で照合したところ、約 9 割で判断が一致しました。一致しなかったものの多くは、皮肉、ミーム画像の文字、絵文字だけのコメント、そして別の討論会と比較する内容でした。例えば、高雄の討論会をめぐる議論の中で台北の討論会の候補者を揶揄する発言です。この一致率はラベリングに一定の信頼性があることを示しますが、個々の例文は誤判定される可能性があるため、結果は集団としての比率で示し、読者が自ら判断できるよう原文も残しています。

クラスタリング：まず何が争点になっているかを見つけ、次に各クラスタの立場を見る

クラスタリングの目的は、数百件のコンテンツを十数個の議論テーマに整理することです。各コンテンツのテーマラベルと本文を単語分割して TF-IDF を計算し、2件の類似度がしきい値を超えれば線で結び、Louvain コミュニティ検出で密につながったコンテンツを1つのクラスタにまとめます。小さすぎるクラスタは未分類に統合します。各クラスタは言語モデルがキーワードと内容の抜粋に基づいて命名し、クラスタ名は何が議論されているかを描写するもので、どちらが正しいかを評価しないよう求めています。

クラスタリングは立場に基づいて行うものではないため、同じクラスタに双方の支持者が混在していることがよくあります。例えば「原稿読み」クラスタでは、一方が相手はうつむいて原稿を読んでいたと指摘し、もう一方は逆に相手に原稿を見るなと求めています。そのため各クラスタについて双方の表明数を別途示し、論点が明確な原文をそれぞれ1件ずつ選びます。選ぶ際には純粋な人身攻撃の内容を除外します。また、同じクラスタ内で双方の件数が異なる場合、1件ずつ選んでいても双方の声の大きさが同等であることを意味しません。

結果の提示：プラットフォーム別、支持傾向とのクロス集計、合計による勝敗は出さない

• プラットフォーム別の一覧：各プラットフォームについて、ネットユーザーのサンプル数、表明のある件数、双方の表明比率を示します。表明が 20 件未満のプラットフォームは件数のみを示します。
• 支持傾向とのクロス集計：「誰が優れていたか」と「支持傾向」をクロス集計します。2026 年の台北・高雄の2つの討論会では、ある陣営の支持がうかがえるネットユーザーのうち、自陣営と逆の評価をしたのは 3% 未満でした。傾向がうかがえないコンテンツのうち、勝敗に言及していたのは約3分の1にとどまりました。これは、プラットフォーム間の差が主に、各陣営の支持者がどこに集まっているかを反映していることを示しています。
• 合計による勝敗は出さない：プラットフォーム横断の合計値も併せて示しますが、サンプリング比率によって変わることを説明し、勝敗の判定には使いません。

この手法でできないこと

• 世論調査ではありません。ネット上で自発的に発言する人は有権者全体を代表せず、投票意向を推計することもできません。
• アカウントが実在の人物かどうかは判断できず、協調的な投稿も除外していません。アカウントの行動を確認する必要がある場合は、別途偽アカウントと協調行動の分析を行う必要があります。
• 時間枠によって結果は変わります。討論会後数時間のスナップショットと、翌日の切り抜き動画が引き起こす第二波の議論とでは、異なる様相を示す可能性があります。
• コメントの取得はプラットフォームの制限を受けるため、Facebook、YouTube、TikTok のネットユーザーのコメントは代表性が弱くなります。
• 高エンゲージメント投稿の下のコメントは、同一投稿者の投稿数を制限していても、投稿者の立場の影響を受けます。
• 支持傾向はモデルが判断するため、あるコンテンツが特定の候補者を称賛しているだけで、投稿者がその候補者を支持していると判定される可能性があります。

事例：2026 年の台北市長・高雄市長討論会

私たちはこの手法で、2026 年 10 月 30 日の高雄市長討論会と 10 月 31 日の台北市長討論会を分析し、それぞれ投稿とコメント計 899 件をサンプリングしました。両討論会に共通するのは、プラットフォーム間で結論が正反対だったことです。Threads で表明したネットユーザーの多くは民進党候補のほうが良かったと考え、ニュースサイトのコメント欄と Facebook グループの多くは国民党候補のほうが良かったと考えていました。PTT は高雄の討論会では民進党候補寄り、台北の討論会では国民党候補寄りでした。詳細なデータ、クラスタ、原文の例は以下の2本の分析をご覧ください。

• 蔣萬安と沈伯洋の討論会、ネットユーザーは誰が良かったと見ている？台北市長討論会のネット反応分析
• 柯志恩と賴瑞隆の討論会、ネットユーザーは誰が良かったと見ている？高雄市長討論会のネット反応分析