日本語の自動検査、指摘190件のうち58%が誤検出だった

日本語の文章を機械で検査したくなり、textlint と技術文書向けのプリセットを 記事57本へ当てています。既定の設定のまま実行すると190件出ました。

1件ずつ読んだ結果が、次の内訳です。

誤検出111件

直したもの75件

意図した表現で残した4件

58%が誤検出です。 ここで「190件も問題がある」と受け取って 一括で直していたら、正しい文章のほうを壊していました。

誤検出111件の内訳は、法令用語73件、対句13件、文中の「である」12件、 記事の題材9件、桁区切りなど4件です。

誤検出111件の中身

73件は、言い換えられない法令用語

一番多かったのは「漢字が7つ以上続いてはいけない」という規則でした。 73件出て、73件とも制度の正式名称でした。

回数	語
20	月平均所定労働時間
14	変形労働時間制
7	労働基準監督署
6	地域別最低賃金
4	労働条件通知書

「月平均の所定労働時間」と中黒や仮名を挟めば規則は通ります。 ただし条文や行政の資料と表記がずれ、検索から来る人が使う語ともずれます。 規則を通すために正しさを落とすことになるので、規則のほうを切りました。

27件は、文中の「である」を文末と取り違えていた

敬体と常体の混在を見る規則です。プリセットの既定では12件、 設定を変えて見直すと27件になり、27件とも敬体の文でした。

拾われていたのは文末ではなく、文の途中に出る形でした。

• 8:30 は 8.5 であって 8.3 ではありません。
• 深夜であることは「いつ働いたか」の話だからです。

どちらも語尾は「ません」「です」で、混在していません。 strict: false にして文末だけを見るようにすると0件になりました。

同じ間違いを、以前この手で書いた検査でもしています。 除外語に「でした」を入れて「ました」を入れ忘れ、丁寧語の過去形を 全部ひろって「混在17%」と報告しました。正しく測ると2.6%でした。 文末を見ているつもりで文中を数えているという点まで同じです。

13件は、対句を重複と見ていた

同じ助詞が一文に2回出るのを拾う規則が、並立の「も」「でも」を含めていました。

• 1か月ぶんでも1年ぶんでも貼り付けられます
• 時間外でもあり深夜でもある
• 精度も速度も悪化した

重複ではなく対句です。片方を削ると意味が変わります。 この2語だけ除外し、残る「が」「に」「は」「で」「と」は直す対象に残しました。

9件は、記事の題材そのものだった

全角と半角の変換を説明する記事には、濁点が分離した「カ゛」や 半角カナを実例として載せています。並べ替えの記事には全角の英字が出てきます。

これらは誤りではなく、その記事が説明している対象です。 規則どおりに直すと、何の話をしているのか分からなくなります。

いま読んでいるこの記事も、同じ状況にあります。 上の段落に「カ゛」と 書いた時点で検査が反応するので、ここだけ外したうえで理由を書き添えました。

その文字列は、直す対象か題材か

題材その箇所だけ検査から外す。理由をその場に書く

対象直す。同じ間違いを繰り返すなら規則で止める

残る4件は桁区切りと三点リーダ

• 半角コンマの数を数える規則が、1,050円 の桁区切りと 1, 2, 3, 10 という並び順の実例を拾っていた
• 同じ語の連続を見る規則が、三点リーダ「……」を拾っていた。 2つ重ねるのが日本語の組版の作法で、1つに減らすほうが誤り

直した75件は、たしかに読みにくかった

誤検出が多いからといって、道具が役に立たないわけではありません。 残る75件は、自分では気づけなかったものでした。

種類	件数	例
助詞の重複	56	8時間が7時間59分になるような誤差が出ることがある
冗長表現	8	説明を行い／置換を実行する／することができます
文末の句点	5	箇条書きの前置きが読点で終わっていた
算用数字との不統一	4	「一つ」4件に対し「1つ」30件が同じサイトに混在

助詞の重複は、書いているときには聞こえません。 声に出すと分かるものの、記事57本を音読する運用は続きません。

ページのほうでは、こちらが文を切っていた

記事だけでなく、販売ページや案内文（.astro）も対象にしました。 読む人が最初に見るのは、記事ではなくページのほうだからです。

最初は1行を1つの文として渡しました。204件出て、その大半が 「文末が。で終わっていません」でした。

残業代、有給、労働時間を調べる人は、すでに悩みを数字へ落とし込んでいます。
結果を見た直後に貴社の相談・予約・資料請求を表示し、        ← ここで切れる
<strong>ホームページを「読む場所」から…</strong>

文が壊れていたのではなく、こちらが折り返しの途中で切っていました。 区切るべきなのは行ではなくタグの境目です。そちらで切り直すと9件になりました。

行番号にも同じことが起きていました。複数行にわたる式を空白へ潰していたため、 潰した改行のぶんだけ行がずれ、最大20行違う場所を指していました。 指摘の中身は正しいのに、示す場所だけが違うという状態です。

導入して分かったこと

日本語の検査は、入れれば文章がよくなる道具ではありませんでした。 規則が自分の題材に合っているかを、1件ずつ判断する作業が先にあります。

その判断は一度やれば設定として残り、次からは書いた直後に指摘が出ます。 切った規則には、なぜ切ったのかを設定ファイルへ書き添えました。 書いておかないと、半年後の自分が「厳しくしたほうがよさそうだ」と戻し、 また同じ73件を眺めることになるからです。