🔖 キーワード索引

「social media data」は統計データ分析の文脈で扱う重要概念のひとつ。 本ページでは「social media data」を取り巻く中核キーワードを以下にチップで一覧化する。 各キーワードは関連する概念・手法・道具立てを含み、 文献検索や学習計画の起点になる。

これらのキーワードは「social media data の理解 → 適用 → 検証」のプロセスを構成する。 各章で詳しく解説する。

🎨 直感で掴む

SNSデータの3つの層：

1. コンテンツ層：本文、 画像、 動画
2. 関係層：フォロー、 リプライ、 リツイート、 メンション → ネットワーク構造
3. 反応層：いいね、 シェア、 ブックマーク → 反応強度

これらを組み合わせて、 「誰が、 何を、 どう広めたか」を分析できます。

SNS データを身近な例で捉えるなら「商店街の口コミ帳」に似ている。 誰が (アカウント)、 いつ (タイムスタンプ)、 何を (本文・画像)、 どう反応したか (いいね・リツイート) が時系列で残るログがソーシャルメディアデータ。 紙の口コミ帳と違うのは、 億単位の発言が即座に集計・検索可能なこと。

たとえば「新商品の評判」を知りたいとき、 アンケート (1000 人で 1 週間) よりも Twitter の検索 API で 1 時間で 10 万件取得し、 ハッシュタグや感情極性で集約できる。 ただし発言者は SNS 利用者に偏るため、 非利用層 (高齢層など) の声は拾えない点が落とし穴。

本ページでは収集 → クリーニング → 感情分析 → ネットワーク解析という典型的パイプラインを SSDSE-B-2026 都道府県データと合成テキストで具体的に追う。

📐 定義／数式

📐 主要指標と計算式

📖 ケーススタディ：選挙予測の試みと失敗

2010 年代前半、 Twitter の言及量から選挙結果を予測する論文が多数発表されました。 しかし 2016 年米大統領選では、 SNS 上では Clinton 支持の言及がトランプを大きく上回ったにもかかわらず、 トランプが勝利。 原因は 選択バイアス（Twitter ユーザーは民主党支持に偏在）と、 「沈黙の螺旋」（少数派は発言を控える）でした。

教訓：① SNS データ単独で集団全体を推定しない、 ② 公的調査と必ず突き合わせる、 ③ 「ない人」の声を補完する設計（重み付け、補完サンプリング）が必要。

🔬 数式を言葉で読み解く

🔬 情報拡散モデル（数式）

SNS 上の情報拡散は、 感染症の SIR モデルと近い構造を持ちます：

$$ \frac{dI}{dt} = \beta S I - \gamma I $$

$S$=未拡散ユーザー、 $I$=拡散済み、 $\beta$=拡散率、 $\gamma$=飽和率。 基本再生産数 $R_0 = \beta / \gamma$ が 1 を超えれば バイラル化。 ハッシュタグの時系列を当てはめると流行の最大規模を予測できます。

独立カスケード（IC）モデル、 線形閾値モデルなど、 ネットワーク上の拡散モデルが多数提案されています。 ネットワーク中心性（degree, betweenness, PageRank）が高いノードを特定すると、 効率的な情報伝搬経路や、 偽情報の発信源候補を見つけられます。

⚖️ 倫理・法規制チェックリスト

• □ 利用するプラットフォームの利用規約・開発者規約を読了
• □ 日本：個人情報保護法（仮名化／匿名加工情報の区別）を遵守
• □ EU 圏：GDPR（同意・目的明示・データ最小化）を確認
• □ 米国：CFAA（不正アクセス）・州の CCPA
• □ 大学研究：所属機関の IRB / 研究倫理委員会に申請
• □ 公開時は ID 仮名化、 引用文の改変による特定回避
• □ 学術データセットの再配布規約を確認（例：「30日以内に削除」など）
• □ 取得 API のレート制限を守り、 サーバーへの負荷を最小化

📜 歴史と発展

• 1997 年：SixDegrees.com、 最初の SNS と言われる
• 2003 年：MySpace、 Friendster の流行
• 2004 年：Facebook 発足（ハーバード大内のみ）
• 2006 年：Twitter 発足。 短文・公開タイムライン文化
• 2010 年代：Instagram / Snapchat の画像中心化、 中国 Weibo / WeChat
• 2016 年：米大統領選における SNS の影響が議論される
• 2018 年：Cambridge Analytica 事件 → SNS データの倫理問題が顕在化
• 2020 年代前半：TikTok 急成長、 ショート動画文化、 アルゴリズム推薦の影響
• 2022 年：Twitter → X 改称、 API 大幅有料化、 研究者の離反
• 2023–24 年：Threads, Bluesky, Mastodon など分散型代替の登場

🔎 深掘り解説

主要データソースとアクセス手段

分析パイプライン

1. 収集：API、 ストリーミング、 アーカイブ
2. クレンジング：絵文字、 URL、 メンション処理
3. 言語処理：トークン化、 形態素解析、 埋め込み
4. 分析：感情、 トピック、 ネットワーク
5. 可視化：時系列、 ワードクラウド、 ネットワーク図
6. 解釈：代表性／バイアスを必ず議論

✅ 使う前のチェックリスト

• ☐ ソーシャルメディアデータ が今のタスクに本当に適切か再確認した
• ☐ 前提条件（独立性、 正規性、 サンプル数等）を満たしているか確認した
• ☐ データの尺度・分布・欠損・外れ値を確認した
• ☐ 結果だけでなく「不確実性」（CI、 標準誤差）も把握した
• ☐ 解釈と限界を区別して文書化した
• ☐ 関連する別の手法と比較したうえで本手法を選んだ
• ☐ 落とし穴（このページの ⚠️ セクション）に該当しないか確認した
• ☐ 関連グループ教材で全体像と位置付けを把握した

📖 さらに学ぶには

本サイト内

• 論文一覧に戻る — ソーシャルメディアデータ を実際に使った再現論文をハンズオン形式で読む
• このページ上部の「🔗 関連用語」から派生概念へ
• 「📚 関連グループ教材」で横断的な学習教材へ

外部リソース

• scikit-learn 公式ドキュメント — 標準実装と例
• StatQuest with Josh Starmer (YouTube) — 直感的な統計／ML 解説
• Cross Validated (Stack Exchange) — 統計／ML の質問サイト
• arXiv — 最新の手法論文プレプリント

困ったときは

1. データの可視化（散布図、 ヒストグラム、 箱ひげ図）で異常を確認
2. サンプルサイズ・欠損・外れ値を確認
3. 仮定が満たされているか診断（正規性検定、 等分散性検定など）
4. 類似研究での標準的な手法を確認
5. 結果を複数手法でクロスチェック（頑健性確認）

🔗 同カテゴリの他用語

🔬 ネットワーク分析：リツイートグラフの中心性

SNS データの真価は「誰が誰に影響を与えたか」 を把握できる点にあります。 リツイート・引用・メンションの関係をグラフに表し、 中心性（centrality）指標で影響力ノードを特定するのが基本パターン。 最も使われる 3 指標は次のとおり。

数式を言葉で読み解く

• $C_{deg}$（次数中心性）: 直接つながっているノード数を全体 (n-1) で正規化。 「多くの人にリツイートされる」 単純な指標。
• $C_{btw}$（媒介中心性）: 任意の 2 ノード間の最短経路 $\sigma_{st}$ のうち、 ノード v を経由する割合 $\sigma_{st}(v)/\sigma_{st}$ の総和。 「情報を橋渡しする」 ハブ性を測る。
• $C_{eig}$（固有ベクトル中心性）: 隣接ノードの中心性の総和に比例。 「影響力のある人にフォローされる人」 を高く評価する PageRank の祖先。

🎯 このコードでやること：networkx で小規模リツイートグラフを作り、 3 種の中心性を計算する。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

import networkx as nx

# リツイート関係（A が B をリツイート → エッジ A→B）
edges = [
    ('user01', 'inf_celebA'),
    ('user02', 'inf_celebA'),
    ('user03', 'inf_celebA'),
    ('user04', 'inf_celebB'),
    ('user05', 'inf_celebB'),
    ('inf_celebA', 'org_news'),
    ('inf_celebB', 'org_news'),
]

G = nx.DiGraph()
G.add_edges_from(edges)

deg = nx.in_degree_centrality(G)
btw = nx.betweenness_centrality(G)
eig = nx.pagerank(G)

import pandas as pd
df = pd.DataFrame({'in_degree': deg, 'betweenness': btw, 'pagerank': eig})
print(df.sort_values('pagerank', ascending=False))

📤 実行例：

💬 結果の読み方：inf_celebA は次数（リツイートされた数）が最大だが、 pagerank ではニュース機関 org_news が首位。 これは「インフルエンサーが束ねる → 最終的に news 機関に流れる」 ハブ&スポーク構造を捉えており、 単純な次数では見えない情報流をネットワーク指標が掘り出している。

📡 主要プラットフォーム別データ取得の制約

⚠️ 2023 年以降、 X (Twitter) Academic API 廃止に伴い、 学術研究の主戦場は Reddit / Mastodon / Bluesky に大きくシフトしている。 研究計画段階で「対象プラットフォームの API 状況」 を必ず確認すること。

🧮 実値で計算してみる

架空シナリオ：「災害時のSNS反応」

• 地震発生から1時間以内に「#地震」を含む投稿が10万件
• ピーク時の投稿頻度：1秒あたり300件
• 位置情報付き投稿の集計で被災地周辺を可視化
• 感情分析で「不安／情報共有／支援要請」を分類

🧮 SSDSE-B-2026 と SNS データを結合する実値演習

ソーシャルメディアデータの強みは「公的統計データと組み合わせて使う」 ことで発揮されます。 ここでは SSDSE-B-2026（47 都道府県・社会生活統計指標）の人口データと、 各都道府県を話題にした SNS 言及数（仮想シナリオ）を結合し、 「人口あたりの SNS 言及量」 を求める実例を扱います。 公的統計と SNS の比率指標は、 観光・消費行動・防災・選挙分析でも頻出する基本パターンです。

手計算：3 都道府県の言及密度

SSDSE-B-2026 の総人口（A1101 列）から、 東京都・北海道・島根県を抜き出し、 仮想的な SNS 言及数と組み合わせて「人口 10 万人あたり言及数」 を求めます。 公式は次のとおり。

数式を言葉で読み解く：分子は SNS で観測された言及数、 分母は SSDSE-B-2026 の総人口、 10 万倍は「人口 10 万人あたり何件か」 という単位に揃えるための定数。

⚠️ 注意：絶対量だけ見ると東京都が圧倒的に多いですが、 人口で割ると北海道との差は 1.43 倍に縮まります。 「絶対量 vs 密度」 の使い分けが、 SNS データ分析で最初に直面する判断ポイントです。

🧮 数式に値を入れて手で計算する: エンゲージメント率

合成データで SNS 投稿のエンゲージメント率を計算する。

Step 1: 投稿別

Step 2: 平均

🐍 Python で再現

1
2
3
4
5
6
7

import numpy as np
view = np.array([10000, 5000, 20000])
react = np.array([500, 300, 800])
er = react / view
print(f"投稿別 ER: {er}")
print(f"平均: {er.mean():.3f}")
print(f"加重: {react.sum()/view.sum():.4f}")

📤 実行結果

💬 手計算 (Step 2) と Python 出力が完全一致。

🐍 Python 実装

最小限のスニペットで動作確認できる例。 公的データ（SSDSE 等）を想定しています。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14

# X (Twitter) API v2 の例（tweepyライブラリ）
import tweepy
import pandas as pd

client = tweepy.Client(bearer_token='YOUR_BEARER_TOKEN')
res = client.search_recent_tweets(query='高齢化 lang:ja',
                                  max_results=100,
                                  tweet_fields=['created_at','public_metrics'])
df = pd.DataFrame([{
    'text': t.text,
    'created_at': t.created_at,
    'likes': t.public_metrics['like_count']
} for t in res.data])
print(df.head())

🐍 Python 実装（パイプライン全体）

テキストデータの基本処理を、 SSDSE のような数値データと組み合わせる典型例を示します。 仮想的に「都道府県名を含むツイートの感情極性」を集計するシナリオです。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17

import pandas as pd
import re

# (A) ツイート風のテキストを読み込み（CSV列: text, created_at, prefecture）
tweets = pd.read_csv('data/raw/tweets_sample.csv', encoding='utf-8',
                     parse_dates=['created_at'])
print(tweets.shape, tweets.dtypes)

# (B) 前処理：URL／メンション／ハッシュタグの除去
def clean_text(s: str) -> str:
    s = re.sub(r'https?://\S+', '', s)   # URL
    s = re.sub(r'@\w+', '', s)            # メンション
    s = re.sub(r'#(\w+)', r'\1', s)       # ハッシュタグの#を除く
    return s.strip()

tweets['clean'] = tweets['text'].astype(str).apply(clean_text)
print(tweets[['text','clean']].head(3))

感情極性は辞書ベースが導入として手軽：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

# ── この抜粋で使うデータを用意します（架空）──
# SNS の投稿はこの教材に同梱していないので、感情極性の数え方を試すための
# <架空の>投稿データをここで作る。
import pandas as pd

tweets = pd.DataFrame({
    'clean': ['今日は最高に楽しい', '最悪な気分だ', '普通の一日',
              '嬉しい知らせが届いた', '酷い渋滞で悲しい', '良い天気です'],
    'created_at': pd.to_datetime(['2024-05-01', '2024-05-01', '2024-05-02',
                                  '2024-05-02', '2024-05-03', '2024-05-03']),
    'prefecture': ['東京都', '大阪府', '東京都', '大阪府', '東京都', '大阪府'],
})

POS = {'良い','嬉しい','最高','素晴らしい','楽しい'}
NEG = {'悪い','悲しい','最悪','酷い','嫌い'}

def polarity(s: str) -> int:
    pos = sum(w in s for w in POS)
    neg = sum(w in s for w in NEG)
    return pos - neg  # 正:ポジ / 負:ネガ / 0:中立

tweets['polarity'] = tweets['clean'].apply(polarity)

# (C) 都道府県 × 日次で集計
daily = (tweets
   .groupby([tweets['created_at'].dt.date, 'prefecture'])
   ['polarity']
   .agg(['mean','count'])
   .reset_index())
print(daily.head())

SSDSE と結合すれば「人口規模 vs ツイート量・感情」の関係も検証可能：

1
2
3
4
5
6
7

ssdse = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=1)
ssdse = ssdse[['都道府県','総人口']].rename(columns={'都道府県':'prefecture'})

agg = (tweets.groupby('prefecture')['polarity'].mean()
       .reset_index(name='avg_polarity'))
merged = agg.merge(ssdse, on='prefecture', how='inner')
print(merged.corr(numeric_only=True))

📊 主要プラットフォームの特性比較

⚖️ 代表性バイアスとその対策

「SNS で多い意見＝世論」ではありません。 次のバイアスを必ず文書化：

• 選択バイアス：そもそも SNS を使う層は人口の一部（X は日本で約3割）
• 発言バイアス：使っていても多くは ROM。 発言者は更に少数
• ボット・反復投稿：1 人が大量に投稿、 自動投稿の混在
• アルゴリズム露出：プラットフォームが優先表示する内容に偏る
• 時間帯：特定時間帯に投稿が集中（職業・地域でずれる）

対策としては、 ① 公的統計や調査データと併用、 ② プラットフォーム別の比較、 ③ ユーザー特性で層別化、 ④ ボット検出フィルタ、 などが有効です。

❓ よくある質問

🐍 Python 実装：SSDSE-B-2026 と SNS データの結合

🎯 このコードでやること：SSDSE-B-2026 から都道府県別人口を読み込み、 仮想 SNS 言及数を結合して「人口 10 万人あたり言及密度」を算出し、 上位 10 県を可視化する。

📥 入力データ（SSDSE-B-2026.csv 先頭 3 行を encoding='cp932', skiprows=[1] で読み込んだもの）：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18

import pandas as pd

# SSDSE-B-2026 を読み込む
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])

# 仮想 SNS 言及数（実運用時は Twitter API v2 等から取得して結合）
sns_mentions = pd.DataFrame({
    'Prefecture': ['東京都', '北海道', '島根県', '大阪府', '沖縄県'],
    'mentions': [1250000, 320000, 18000, 680000, 145000],
})

# 都道府県名で結合
merged = df[['Prefecture', 'A1101']].merge(sns_mentions, on='Prefecture')

# 人口 10 万人あたり言及密度
merged['density_per_100k'] = merged['mentions'] / merged['A1101'] * 100000

print(merged.sort_values('density_per_100k', ascending=False))

📤 実行例（実際に出力される結果）：

💬 結果の読み方：絶対量で見ると東京都が最大だが、 人口密度で並べると沖縄県が首位になる。 これは観光関連投稿（#沖縄 等）が地元住民の人口規模を上回るためで、 SNS データを「住民の声」と「観光客の声」 に分解する必要性を示唆する。

🐍 Python 実装：簡易感情分析（辞書ベース）

🎯 このコードでやること：日本語の SNS 投稿に対し、 辞書ベース（PN 単語辞書）で極性スコアを付与する。 Transformer 系（BERT）は計算コストが高いので、 まずは辞書方式で全体感を把握する戦略を取る。

📥 入力データ（SNS 投稿サンプル 5 件）：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

import pandas as pd

# 簡易 PN 単語辞書（東北大 PN 辞書を模した小規模版）
pn_dict = {
    '最高': +1.0, '良かった': +0.8, '綺麗': +0.7, '感動': +0.9, '神秘的': +0.6,
    '混雑': -0.6, 'ひどい': -0.8, '疲れた': -0.7, '普通': 0.0,
}

posts = [
    '北海道の景色が最高、 また行きたい',
    '東京は混雑がひどい、 疲れた',
    '沖縄の海が綺麗で感動した',
    '大阪のラーメンは普通だった',
    '島根の出雲大社は神秘的で良かった',
]

def sentiment_score(text):
    score = 0.0
    for word, val in pn_dict.items():
        if word in text:
            score += val
    return score

df = pd.DataFrame({'text': posts})
df['score'] = df['text'].apply(sentiment_score)
print(df)

📤 実行例：

💬 結果の読み方：辞書方式は「綺麗」+「感動」の累積で 1.6 になるが、 「綺麗じゃない」 のような否定形を取り違える弱点がある。 本格運用では BERT 系の文脈考慮モデル（cl-tohoku/bert-base-japanese-v3 等）を併用する。 一方、 速度は辞書方式が 1000 倍以上速いため、 全件スクリーニング → 上位/下位を BERT で再評価、 という二段構えが現場のセオリー。

🐍 Python 実装：形態素解析と TF-IDF

🎯 このコードでやること：日本語 SNS 投稿を形態素解析し、 TF-IDF で「都道府県ごとの特徴語」 を抽出する。 これは「観光地のイメージ分析」「地域ブランド研究」 で典型的に使われるパイプライン。

📥 入力データ（都道府県別 SNS 投稿サンプル）：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer

# 都道府県ごとの SNS 投稿（実運用では数千件/県）
posts = pd.DataFrame({
    'pref': ['北海道', '北海道', '東京都', '東京都', '沖縄県', '沖縄県'],
    'text': [
        '札幌のラーメンが美味しい、 雪景色も最高',
        '函館の夜景は世界三大夜景、 海産物が新鮮',
        '渋谷の人混みすごい、 新宿で映画見た',
        '東京タワーの夜景綺麗、 浅草寺で参拝',
        '沖縄の海が透明で美しい、 シーサーが可愛い',
        '首里城の歴史感じる、 ゴーヤチャンプルー美味',
    ],
})

# 都道府県ごとに本文を連結（実運用では janome 等で分かち書き）
docs = posts.groupby('pref')['text'].apply(' '.join)

# 簡易：1-2 文字以上の連続を単語とみなす（実運用では MeCab）
vec = TfidfVectorizer(analyzer='char_wb', ngram_range=(2, 3), max_features=20)
X = vec.fit_transform(docs)

tfidf = pd.DataFrame(X.toarray(), index=docs.index, columns=vec.get_feature_names_out())
# 各県の特徴語 Top 3 を抽出
for pref in tfidf.index:
    top = tfidf.loc[pref].sort_values(ascending=False).head(3)
    print(f'[{pref}] ' + ', '.join(top.index))

📤 実行例：

💬 結果の読み方：TF-IDF（単語頻度 × 逆文書頻度）は「ある県では多く出るが、 全県で出る単語ではない」 単語を高く評価する。 ここでは地名・特産品が抽出されており、 地域ブランディング研究の基本ツールになる。 ただし簡易 char_wb（文字 N-gram）方式は単語境界を捉えきれないので、 本格運用では MeCab + ipadic-NEologd での分かち書きを推奨。

📈 時系列バースト検出

SNS データ分析で頻出する問題に「いつ話題が爆発したか」 の検出（burst detection）があります。 単純な閾値（例：1 時間で 1000 件以上） だけでは平日と週末の差で誤判定が出るため、 移動平均からの z-score で判定するのが定石。

数式を言葉で読み解く

$x_t$ は時刻 t の投稿数、 $\bar{x}_{t-w:t-1}$ は直近 w 期間の平均、 $\sigma_{t-w:t-1}$ は標準偏差。 z スコアが 3 を超えたら「3σ ルール」 でバーストと判定。 w=24（直近 24 時間）が SNS 分析の経験則。

🎯 このコードでやること：擬似的な時系列投稿数データを生成し、 burst（バースト）を検出する。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16

import pandas as pd
import numpy as np

# 1 時間ごとの投稿数（48 時間分、 通常時の周期 + 突発バースト）
hours = pd.date_range('2026-01-01', periods=48, freq='h')
base = 100 + 30 * np.sin(np.arange(48) * 2 * np.pi / 24)  # 24h 周期
shock = np.zeros(48); shock[28] = 500; shock[29] = 800; shock[30] = 400  # バースト
counts = (base + shock).astype(int)

df = pd.DataFrame({'time': hours, 'count': counts})
df['rolling_mean'] = df['count'].shift(1).rolling(window=24).mean()
df['rolling_std']  = df['count'].shift(1).rolling(window=24).std()
df['z'] = (df['count'] - df['rolling_mean']) / df['rolling_std']
df['burst'] = df['z'] > 3

print(df[df['burst']][['time', 'count', 'z']])

📤 実行例：

💬 結果の読み方：z スコア > 3 となった 3 時点でバースト判定。 通常時の周期変動（sin カーブで模擬した日次パターン）を学習した上で、 突発スパイクのみを抽出できている。 実運用では Kleinberg のオートマトン方式（状態遷移モデル）や、 BOCD（ベイズ的変化点検出）も併用される。

🧪 トピックモデリングと話題発見

大量の SNS 投稿から「どんな話題が話されているか」 を自動抽出するのがトピックモデリング。 LDA（Latent Dirichlet Allocation）が古典、 BERTopic（Sentence-BERT + UMAP + HDBSCAN）が 2022 年以降の主流。 SSDSE-B-2026 の都道府県データと組み合わせれば、 「県ごとに頻出する話題テーマ」 が定量化できる。

数式を言葉で読み解く：文書 d に単語 w が現れる確率は、 K 個の潜在トピック $z_k$ それぞれにおける「単語の出現確率」 × 「そのトピックの文書内での重み」 の総和で表される。 文書 = トピックの混合、 トピック = 単語の混合、 という 2 層構造が LDA の核。

🌟 インフルエンサー検出と影響力評価

SNS マーケティング・選挙分析・世論調査で必須なのが「誰が影響を持つか」 の評価。 単純なフォロワー数は買収可能なため、 エンゲージメント率・拡散経路の中心性・話題への先行投稿率を組み合わせるのが現代的アプローチ。

数式を言葉で読み解く：影響力スコアは、 $F_u$（フォロワー数の対数：ベキ分布のため log を取る）、 $E_u$（エンゲージメント率：いいね/RT 数 ÷ フォロワー数）、 $C_{btw}$（媒介中心性）、 $\text{Lead}(u)$（話題発火源としての先行率）の重み付き和。 α/β/γ/δ はタスクに応じて調整。

実務では (i) Top フォロワー型インフルエンサー（マス影響）、 (ii) マイクロインフルエンサー（ニッチ強影響）、 (iii) ハブ型インフルエンサー（複数コミュニティを橋渡し）の 3 種を区別する。 SSDSE-B-2026 の都道府県データと組み合わせると「県別の影響力分布」 が可視化でき、 地域マーケティング戦略の基礎データになる。

❓ よくある質問 8 件

Q1. X (Twitter) Academic API が廃止されました。 代替は？

A. Reddit（PRAW）、 Mastodon（公開ストリーム）、 Bluesky（AT Protocol）、 YouTube Data API v3 が現実的な代替。 規模重視なら Bluesky のファイアホースが秀逸。

Q2. 個人投稿を研究で使うのは合法？

A. 公開投稿でも、 著作権・プライバシー権・利用規約の 3 重壁がある。 学術研究の例外規定はあるが、 ID 配布のみ（Hydrate 方式）、 個人特定化情報の削除、 IRB 承認が標準。

Q3. データ量が膨大で処理が遅い。 対策は？

A. (i) Parquet 形式で保存、 (ii) Polars / DuckDB を使う、 (iii) サンプリングしてから本処理、 (iv) Apache Spark でクラスタ分散。 SSDSE 程度のサイズなら pandas で十分だが、 SNS の月次 100GB クラスでは Polars + Parquet が現実的。

Q4. 感情分析の精度はどれくらい？

A. 辞書方式で 60-70%、 BERT 系で 80-85%、 GPT-4 系で 85-92%（日本語ベンチマーク WRIME 上）。 ただし皮肉・否定・絵文字の扱いで精度は変動。 必ず人手評価サンプルを 200 件以上用意して評価指標 (precision/recall) を確認する。

Q5. リアルタイム分析と過去データ分析、 どちらが向く？

A. (i) 災害・株価・政治イベントはリアルタイム、 (ii) トレンド分析・年間レビューは過去データ、 が定石。 リアルタイムは Streaming API、 過去データは Archive (e.g. Internet Archive Twitter Stream) を使う。

Q6. SSDSE-B-2026 とどう結合する？

A. 都道府県名（Prefecture 列）または地域コード（Code 列）をキーに merge する。 ジオタグ付き投稿なら緯度経度から逆ジオコーディングで都道府県を割り当てる。

Q7. NLP 初心者に推奨するライブラリは？

A. (i) janome（純 Python、 インストール容易）、 (ii) MeCab + ipadic（高速、 辞書豊富）、 (iii) GiNZA（spaCy 互換、 構文解析対応）、 (iv) transformers + cl-tohoku/bert-base-japanese-v3（最新精度）。

Q8. レポートで「SNS データ分析」 と書くときの最低限事項は？

A. (i) 取得 API・期間・ハッシュタグ条件、 (ii) サンプルサイズと bot 除去基準、 (iii) 倫理審査の有無、 (iv) 代表性の限界、 (v) 再現性確保のための tweet ID リスト、 の 5 点。

✅ SNS データ分析 着手前チェックリスト 12 項目

• 研究目的：仮説 / 探索 / 監視のどれか明確化
• 対象プラットフォーム：API の現状と取得上限を確認（特に X (Twitter) は要注意）
• 取得期間：開始日 / 終了日 / タイムゾーン（UTC か JST か）を明示
• フィルタ条件：ハッシュタグ / キーワード / 地理範囲 / 言語
• 倫理審査：IRB / 個人情報保護委員会 への申請有無
• 個人特定化：ID 配布のみか、 ハンドル名を含むか
• Bot 除去基準：投稿頻度・登録日・フォロー比の閾値
• サンプリング方式：全件 / ランダム / トレンド フィルタリング
• 保存形式：CSV / Parquet / JSON Lines / Database
• 欠損・重複処理：削除アカウントの扱い、 RT の重複扱い
• 感情分析の評価：人手評価サンプル 200 件以上で precision/recall 確認
• 再現性：tweet ID リスト・コード・乱数シードを公開

🎯 まとめ：他用語との比較で SNS データを位置付ける

SSDSE のような公的統計データを「土台」 として、 SNS データで「即時性 + 感情」 を補強し、 行動ログで「実行動」 を裏付けるトライアングルが、 現代データ分析の理想形。 各単独では誤解を生むので、 必ず複数ソースで相互検証することが重要。

⚠️ よくある落とし穴

⚠️ 追加の落とし穴 5 件（中級者向け）

1. Bot とサクラのフィルタリング：投稿頻度・フォロー比・初期登録日時で簡易検出可能だが、 高度な bot は人間と見分けがつかない。 主要指標として「24 時間で 1000 件以上投稿」「フォロー / フォロワー比 100 超」 を初期スクリーニングに使う。
2. サンプリングバイアス：X (Twitter) の Streaming API は「全体の 1%」 と公称されていたが、 実際にはトレンドやリーチ評価でフィルタされている。 研究結果を「全 X ユーザーの傾向」 と結論付けると過大解釈になる。 必ず「観測サンプルの上での傾向」 と限定すること。
3. GDPR/個人情報保護法：EU 居住者の投稿には削除権・忘れられる権利が及ぶ。 アカウントが削除されたら学術データセットからも消す必要がある（Hydrate 方式で ID のみ配布が標準）。 日本の個人情報保護法 2022 改正後も同様の配慮が求められる。
4. Cherry-picking と確証バイアス：研究者の仮説に合う投稿だけ取り出して「世論はこうだ」 と結論づける危険。 必ずランダムサンプルでの追加検証と、 別期間データでのレプリケーションを行う。
5. 言語処理の文化依存性：英語の感情分析モデルを日本語にそのまま適用すると、 皮肉・婉曲・絵文字を読み違える。 日本語 SNS では「w」「草」「神」 等の独自表現が頻出し、 これらを正しく扱える辞書（mecab-ipadic-NEologd 等）が必須。

📖 ケーススタディ 3 件：成功・失敗・教訓

① 災害情報のリアルタイム集約（成功例）

2011 年東日本大震災以降、 #地震 #津波 等のハッシュタグから救援要請を抽出するシステムが防災科研で実用化。 SSDSE-B-2026 の人口データと結合し「人口密度の高いエリアでの SOS 投稿数」 をリアルタイムマップにする。 自治体の応援派遣判断材料として実装され、 「公的データ × SNS」 の代表的成功例。

② 選挙予測の失敗（教訓例）

2016 年米大統領選で「Twitter の言及量 = 支持率」 仮説が複数研究で示されたが、 実際には Trump 支持層が Twitter で過剰活発だったため過大評価。 投票結果と乖離。 教訓は「SNS 利用者の人口統計属性（年齢・所得・地域）が母集団と異なる」 ことを補正しないと予測モデルとして破綻する、 という代表性問題。

③ 商品レビューの感情分析（実務例）

楽天市場・Amazon のレビューと SNS 投稿を組み合わせ、 商品発売後 1 週間の評価動向を予測。 単純な星評価より 1 週間早く傾向を捉えられるため、 メーカーの在庫調整・マーケティングに使われている。 ここで重要なのは「正規ユーザーの投稿」 と「キャンペーン応募投稿」 を分離する前処理（後者は誇張表現が多く偏る）。

🌐 関連手法・派生

• 感情分析 — テキストの感情極性を判定
• トピックモデル（LDA） — 文書集合の潜在トピック抽出
• ネットワーク分析 — ユーザー間の関係を可視化
• Burst検出 — 急増話題の自動検知
• 画像認識 — 投稿画像の分類

🌐 SNS データ × 都道府県統計 — SSDSE-B-2026 と紐づけた地域感情分析の設計

SNS データ単体では「投稿頻度が高い県 = 人口が多い県」になりがちで分析に偏りが出る。 そこで SSDSE-B-2026 の都道府県別人口や年齢構成で正規化し、 「人口あたり投稿数」「世代補正後の感情スコア」を算出する設計が現代の地域 SNS 分析では定石となっている。 ここでは vaderSentiment と pandas を使い、 仮想的な観光ツイート 1 万件を SSDSE-B-2026 と join する例を示す。

このコードでやること: 47 都道府県の SNS 投稿数を人口で正規化し、 感情スコアを世代比率で重み付け、 観光宿泊数との相関を scipy.stats.pearsonr で検定する。 これは観光振興 KPI と SNS 反響を結びつけるベースライン分析。

📥 入力データ (SSDSE-B-2026 と SNS 集計を都道府県コードで join):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

import pandas as pd
from scipy import stats

# SSDSE-B-2026 都道府県統計
ssdse = pd.read_csv('data/raw/SSDSE-B-2026.csv', header=1, encoding='cp932')
ssdse = ssdse[['都道府県', '総人口', 'G1201']].rename(
    columns={'総人口': 'pop', 'G1201': 'hotels'})

# SNS 集計 (本番ではX/Bluesky API → vaderSentiment で算出)
sns = pd.read_csv('data/raw/sns_pref_aggregate.csv')
# sns 列: 都道府県, posts_count, sentiment_avg

# 都道府県でマージ
m = ssdse.merge(sns, on='都道府県')

# 人口で正規化した投稿密度 (千人あたり)
m['posts_per_kpop'] = m['posts_count'] / m['pop'] * 1000

# 観光宿泊数 vs SNS 投稿密度 の Pearson 相関
r, p = stats.pearsonr(m['hotels'], m['posts_per_kpop'])
print(f'Pearson 相関: r = {r:.3f}, p = {p:.4f}')

# 感情スコアと観光宿泊数
r2, p2 = stats.pearsonr(m['hotels'], m['sentiment_avg'])
print(f'感情スコア × 宿泊数: r = {r2:.3f}, p = {p2:.4f}')

# TOP 5 都道府県
print('\n--- 投稿密度 TOP 5 ---')
print(m.nlargest(5, 'posts_per_kpop')[['都道府県', 'posts_per_kpop', 'sentiment_avg']].to_string(index=False))

📤 実行例:

💬 r=0.672 (p<0.001) は宿泊数と SNS 投稿密度の中程度の正相関を示し、 観光 SNS データが宿泊統計の 先行指標 となる可能性を支持する。 感情スコアも r=0.581 で有意で、 ポジティブ投稿が多い地域は実際の宿泊も伸びている。 ただし因果の方向は SNS → 宿泊だけでなく、 宿泊客がポスト → 後続の旅行者を呼ぶ循環構造の可能性もあり、 granger 因果検定 や 時間ラグ相関 を追加する必要がある。 京都・沖縄・奈良は人口あたり投稿が突出して高く、 宿泊と感情の両方が高いため、 SNS 戦略の投資効率が良い地域と判定できる。

🔬 SNS 分析の核心数式を言葉で読み解く: VADER 感情スコアと PMI

VADER 複合スコア: $\text{compound} = \dfrac{\sum_i s_i \cdot w_i}{\sqrt{(\sum_i s_i w_i)^2 + \alpha}}$ ここで $s_i$ は単語 $i$ の極性 (-4 ～ +4)、 $w_i$ は強調語修正係数、 $\alpha$=15 は正規化定数。 結果は -1 (極ネガ) ～ +1 (極ポジ) に圧縮される。 例えば「最高だった！」は強調語「！」で $w$=1.2 倍されて +0.8 程度になる。

PMI (相互情報量): $\text{PMI}(x, y) = \log_2 \dfrac{P(x, y)}{P(x) P(y)}$ で、 「京都」と「紅葉」の共起確率が独立仮説より何倍大きいかを測る。 PMI > 0 ならば「予想以上に一緒に出る」、 SNS 上のトレンド単語ペア抽出で広く使われる。 SSDSE で観光統計が高い県の地名と、 SNS で頻出する季節語との PMI を取ると、 自治体プロモーション戦略の評価が定量化できる。

⚠️ SNS データ分析の倫理・法務リスク 3 件

• 個人特定リスク (k-匿名性 違反): 投稿の位置情報・投稿時刻・タイムゾーン・職業を組み合わせると個人特定が可能になる。 SSDSE のような集計済みデータと違い、 SNS は 生の個票 に近く、 k-匿名性 (k≥5 が目安) や l-多様性を確保する匿名化処理が必須。
• プラットフォーム利用規約違反: X (旧 Twitter) や Reddit は API 取得データの 再配布禁止・機械学習学習データ流用禁止を明文化している。 学術論文公開時には「ツイート ID のみ公開」が標準。 商用利用は別途有償ライセンス必要。
• 選挙・政治介入リスク: SNS 感情分析を選挙キャンペーンに使う場合、 公職選挙法・個人情報保護法・GDPR・各国選挙関連法に抵触しないか法務確認が必要。 Cambridge Analytica 事件以降、 倫理審査委員会 (IRB) の事前承認が研究機関では標準化されつつある。

🧭 SNS データ × 公的データの組み合わせ深掘り (R450 拡張)

SNS 投稿だけでは「サンプリングバイアス」（投稿者は若年・男性・都市部に偏る）が避けられない。 そのため SSDSE-B-2026 のような公的統計と突き合わせ、 SNS の声と実態の差を可視化するのが実務での王道である。 ここでは都道府県別データを使い、 SNS データ分析の「結果の読み方」を 3 つの実図で詰める。

🟢 図 1: 都道府県の人口 vs 出生数 (SNS でも一致しやすい指標)

🟡 図 2: 都道府県別 高齢化率の分布

🔵 図 3: 地方ブロック別の有効求人倍率 (群別箱ひげ)

📝 理解度チェック (Q1-Q8)

1. Q1: SNS データの代表性バイアスとは何か。 SSDSE のような公的統計と組み合わせる利点を 2 行で述べよ。
2. Q2: 投稿数を県別に集計するとき、 そのまま絶対値で比較すべきでない理由を述べ、 正規化指標を 1 つ提案せよ。
3. Q3: ツイート ID のみ公開する慣行 (Twitter dehydrated dataset) が学術的に好まれる理由を、 利用規約と再現性の 2 観点で説明せよ。
4. Q4: k-匿名性 (k=5) が SNS データ匿名化に十分でない事例を 1 つ挙げよ (時刻 + 位置情報など)。
5. Q5: 感情分析スコアの「正の比率」だけを報告すると誤解が起きる場面を 1 つ挙げよ。
6. Q6: SNS データに対して、 高齢層意見の過小代表を補正する事後層化 (poststratification) を 3 ステップで述べよ。
7. Q7: バースト検出 (Kleinberg) でスパムバーストと本物のバーストを区別する手がかりを 2 つ挙げよ。
8. Q8: SNS 感情分析の結果と SSDSE-B-2026 の客観指標 (失業率・有効求人倍率) を結び付けるとき、 注意すべき交絡変数 (confounder) を 1 つ挙げよ。

🎯 ルーブリック (自己採点 3 段階)

🛣 SNS データ分析 学習ロードマップ (10 段階)

1. SNS の構造を理解 (投稿・リプライ・リツイート・引用)
2. API のレート制限と利用規約を読む (X, Reddit, Mastodon)
3. 取得データを CSV/JSONL で保存し、 メタデータを整理
4. テキスト前処理 (正規化・絵文字処理・URL 除去) を実装
5. 感情分析 (oseti, BERT-ja) を試す
6. トピックモデル (LDA, BERTopic) で話題抽出
7. SSDSE-B-2026 のような公的データと県別突合
8. 事後層化で年齢・性別バイアスを補正
9. 因果推論 (DID, IV) で介入効果を測る
10. 倫理審査 (IRB) と論文公開時の dehydration を経験

🐍 SSDSE-B-2026 × SNS 言及量シミュレーション (実データ)

このコードでやること: SSDSE-B-2026.csv の都道府県人口を読み込み、 「人口に対する SNS 言及量の正規化」が必要な理由を可視化する。

📥 入力データ (SSDSE-B-2026 抜粋、 data/raw/SSDSE-B-2026.csv):

 1
 2
 3
 4
 5
 6
 7
 8
 9

import pandas as pd
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023].copy()  # 2023 年のみ抽出
df = df.rename(columns={'Prefecture': '都道府県', 'A1101': '総人口'})
df['人口千人'] = df['総人口'] / 1000
print(df[['都道府県', '人口千人']].head())
print('都道府県数:', len(df))
print('人口最大県:', df.loc[df['総人口'].idxmax(), '都道府県'])
print('人口最小県:', df.loc[df['総人口'].idxmin(), '都道府県'])

📤 実行例:

💬 東京 (約 1409 万人) と鳥取 (約 54 万人) では人口に 26 倍以上の開きがある。 SNS 言及量を県別に集計するときは、 必ず「人口千人当たり言及数」のような人口正規化指標を作るべきである。 そうしないと「東京の声 = 日本の声」になってしまう。

🐍 都道府県別 高齢化率と SNS 年齢補正の関係

このコードでやること: SSDSE-B-2026.csv から都道府県の高齢化率 (65 歳以上人口比) を算出し、 SNS データを地域ごとに分析する際の「年齢補正係数」の必要性を数値で示す。

📥 入力データ (SSDSE-B-2026 抜粋):

 1
 2
 3
 4
 5
 6
 7
 8

import pandas as pd
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023].copy()  # 2023 年のみ
df['高齢化率'] = df['A1303'] / df['A1101'] * 100  # A1303=65歳以上人口, A1101=総人口
print('全国平均高齢化率:', round(df['高齢化率'].mean(), 2), '%')
print('最高:', df.loc[df['高齢化率'].idxmax(), 'Prefecture'], round(df['高齢化率'].max(), 2), '%')
print('最低:', df.loc[df['高齢化率'].idxmin(), 'Prefecture'], round(df['高齢化率'].min(), 2), '%')
print('標準偏差:', round(df['高齢化率'].std(), 2))

📤 実行例:

💬 高齢化率が最高の秋田 (39.1%) と最低の東京 (22.8%) では 16 ポイントもの差がある。 SNS は構造的に若年層に偏るため、 秋田での SNS 分析は高齢層が過小代表となる。 県別に「SNS 投稿者年齢分布 / 県の年齢分布」のレシオ重み (poststratification weight) を掛けて補正すべきである。

⚠️ SNS データ分析の失敗 5 大パターン

📋 SNS データ分析プロジェクト 投入前チェック (10 項目)

1. API 利用規約と研究倫理 (IRB) を確認済か
2. 個人特定リスク (k-匿名性、 位置 + 時刻) を評価したか
3. ボット / スパム除外フィルタを実装したか
4. サンプリングバイアスを文書化したか (年齢・性別・地域)
5. 公的統計 (SSDSE 等) と突合する比較指標を設計したか
6. 感情分析の辞書 / モデルの精度を 100 件人手検証したか
7. トピックモデルのトピック数を統計基準で決定したか (perplexity, coherence)
8. 結果の信頼区間を bootstrap で算出したか
9. 事後層化 (poststratification) を年齢階層別に行ったか
10. 論文公開時に dehydrated dataset (ID のみ) 形式で提供する準備があるか

🏢 SNS データ × 公的データ ケーススタディ 5 件

❓ FAQ (よくある質問 10 問)

1. Q. SNS データは「ビッグデータ」だから抽出標本は不要? → A. 否。 N が大きくてもバイアスは消えない (big data paradox)。
2. Q. 1 県あたり 100 件投稿あれば信頼できる? → A. 否。 ボット混入率と投稿者の重複度を見ないと判断不能。
3. Q. 感情スコアの平均値を県別比較してよい? → A. 中央値+IQR 推奨。 極端な投稿が平均を歪める。
4. Q. リツイート数を「賛成票」として扱える? → A. 不可。 皮肉 RT、 引用否定 RT が混じる。
5. Q. SNS データから個人の年齢・性別を推定してよい? → A. 倫理審査次第。 プライバシー法に抵触の可能性。
6. Q. SSDSE と SNS の比較で年度ずれは問題? → A. 1-2 年なら可、 5 年以上は構造変化を考慮。
7. Q. SNS 上の「政府批判」は政治不信の指標になる? → A. 部分的指標、 アンケート調査と併用必須。
8. Q. 機械翻訳した英語投稿を日本語投稿と一緒に分析してよい? → A. 推奨しない、 文化的差異が混入。
9. Q. リアルタイム可視化ダッシュボードに信頼区間も出すべき? → A. はい、 必須。 不確かさを隠すと誤解を生む。
10. Q. 100 万投稿のサンプルを公開論文に貼ってよい? → A. ID のみ (dehydrated)。 投稿本文の再配布は規約違反。

📖 統計用語 ↔ SNS データ用語 対訳 15 行

📌 学習総まとめ (3 行)

1. SNS データは生きた現場の声だが、 構造的にバイアスを持つ — 公的統計 (SSDSE 等) との突合と事後層化が必須。
2. 絶対量ではなく正規化指標で語る — 県別の言及量は人口千人当たりで比較する習慣を持つ。
3. 倫理と再現性を最初から設計に組み込む — IRB, dehydration, k-匿名性、 利用規約の 4 点セット。

📜 SNS データの本質を語る長文ガイド (深掘り 7 章)

ソーシャルメディアデータ (SNS データ) を扱うとき、 もっとも避けるべき態度は「データが大量にあるから真実が見える」という量への過信である。 量が多いだけで構造的なバイアスが消えるわけではないという事実は、 ビッグデータ・パラドックス (big data paradox, Meng 2018) として知られている。 標本サイズ N が増えても、 母集団との「投稿者選択の系統的ずれ」が同時に増幅されるため、 推定誤差はかえって悪化することがある。 SNS データ分析を行う際は、 まずこの 1 点を肝に銘じておきたい。

第 1 章 取得段階の落とし穴: X (旧 Twitter) や Reddit などの公開 API には rate limit (例 1 時間あたり 500 リクエスト) があり、 加えて全数取得は技術的にも規約的にも不可能である。 Streaming API では「全投稿の 1% サンプル」しか取れない場合がほとんどで、 そのサンプル選択ロジック自体が時刻・トピック・地域に偏ることが過去の研究で示されている (Morstatter et al. 2013)。 取得段階で既に「偶然に取れたデータ」ではなく「アルゴリズムに選ばれたデータ」になっていることを忘れてはいけない。 公的統計 (SSDSE-B-2026 のように都道府県別の総人口・経済・社会指標) と組み合わせる際は、 まずこの取得バイアスを文書化することが研究倫理上の最低限の責務である。

第 2 章 投稿者の層化: 日本の SNS 利用率は世代によって大きく異なる。 総務省「情報通信白書」によれば、 20 代の Twitter 利用率は 70% を超える一方、 60 代では 20% 未満にとどまる。 これに対し SSDSE-B-2026 で見る各県の年齢構成は、 秋田県のように 65 歳以上が約 39% を占める高齢化県もあれば、 東京都のように 23% を下回る県もある。 つまり「秋田で SNS 上のある話題が盛り上がっていない」のは、 県民の関心が薄いからではなく、 単にその年齢層が SNS にいないからかもしれないのである。 この種の解釈ミスを避けるには、 県別×年齢階層別の投稿者構成を必ず推定し、 公的統計の年齢分布とのレシオを weight として用いる事後層化 (poststratification) を導入する。

第 3 章 テキストの前処理: SNS 投稿は短く (X は最大 280 文字)、 絵文字・URL・ハッシュタグ・メンションが混在し、 さらにスラング・新語・誤字が多い。 単純な単語頻度集計に入る前に、 (1) 全角/半角の統一、 (2) URL/メンション/ハッシュタグの除去または置換、 (3) 絵文字の感情ラベル化 (例 😀 → POS)、 (4) 形態素解析 (MeCab + neologd 辞書) による単語分割、 (5) ストップワード除去、 という 5 段階の前処理が必要となる。 ここを雑に通すと、 後段の感情分析やトピックモデルが破綻する。

第 4 章 感情分析の限界: 辞書ベースの感情分析 (oseti, 単語極性辞書) は処理が速いが、 皮肉・否定・修辞疑問・複文構造を捉えられない。 「最高(笑)」「これはひどい (良い意味で)」のような表現は、 文脈なしでは正反対の極性に分類される。 BERT-ja のような事前学習言語モデルを fine-tuning すれば文脈考慮はできるが、 ドメイン固有の表現には人手アノテーション (1,000-3,000 件) が必要になる。 感情分析の結果を公的指標と並べて表示する場合は、 必ず「人手検証時の正解率」を脚注に明記すること。

第 5 章 トピックモデルの解釈: LDA (潜在ディリクレ配分) は文書集合から K 個のトピックを抽出する古典的手法だが、 K の選定が経験則的であり、 抽出されたトピックの解釈は人間に委ねられる。 近年は BERTopic (BERT 埋め込み + UMAP + HDBSCAN) が標準化されつつあり、 K を事前に決めずに動的にクラスタを発見できる。 ただしクラスタ間距離の解釈には注意が必要で、 「近い = 内容が似ている」とは限らない (UMAP の局所構造保持は大域距離を保証しない)。

第 6 章 ネットワーク分析: リツイート・引用・メンションのグラフ構造から、 影響力のあるアカウント (中心性 centrality) を測ることができる。 ベタリティ中心性 (betweenness)、 固有ベクトル中心性 (eigenvector)、 PageRank などが代表だが、 ボットアカウントがネットワークを歪めることが多い。 ボット検出 (Botometer や独自ルール) で前処理し、 さらにエッジを「真の人間 RT のみ」に絞ってから中心性を計算する。 SSDSE が示す「県別の経済規模」と組み合わせれば、 県を起点とする情報拡散の経済的重みづけ分析も可能となる。

第 7 章 倫理と公開: SNS データには個人の意見・感情・位置情報・関係性が含まれており、 公的統計とは性質が大きく異なる。 学術論文として公開する場合、 X はツイート ID のみを公開 (dehydrated dataset) し、 利用者は API で再 hydration するという慣行が確立されている。 これにより削除されたツイートは自動的に分析対象から外れ、 「削除権」が尊重される。 商用利用や継続調査では、 倫理審査委員会 (IRB) の事前承認、 同意取得の方法、 データ保管期間、 k-匿名性 (k≥5)、 l-多様性、 t-近似性のような匿名化基準を満たすことが要求される。 ここを軽視すると Cambridge Analytica 事件のような社会的批判につながりかねない。

🔁 公的データ × SNS データ の対応一覧 (詳細 12 項目)

🛠 SNS データ分析の道具箱 拡張版 (10 ツール)

• tweepy (Python): X API v2 ラッパー、 ツイート収集の標準ライブラリ。 認証は OAuth 2.0、 月間ツイート上限に注意。
• snscrape: API キーなしでスクレイピング可能だが、 規約遵守は利用者責任。 個人利用・学術利用が主。
• MeCab + neologd: 日本語形態素解析の事実上の標準。 新語辞書 (neologd) は週 1 回更新される。
• fugashi + unidic-lite: pip だけで完結する代替形態素解析。 BERT 系の前処理に便利。
• oseti: 日本語感情分析の軽量ライブラリ。 単語極性辞書ベースで高速だが文脈に弱い。
• BERT-ja (cl-tohoku/bert-base-japanese): 東北大公開の日本語 BERT。 fine-tuning で感情分析・トピック分類に。
• gensim: LDA の伝統的実装。 perplexity, coherence で K 選定。
• BERTopic: BERT 埋め込み + UMAP + HDBSCAN で動的トピック数のトピックモデル。
• networkx: グラフ分析。 100 万エッジ以下なら実用。 大規模は igraph や graph-tool。
• plotly + dash: リアルタイムダッシュボード構築。 信頼区間の可視化も容易。

📒 SNS データ分析の周辺キーワード 6 件 (簡易定義)

• infoveillance (情報疫学監視): 公衆衛生分野で SNS データを使い、 疾病の流行を早期発見する研究領域。 Google Flu Trends の失敗以降、 SSDSE 等の公的データとの照合が標準となった。
• dehydrated dataset: 投稿 ID のみを公開する研究用データ形式。 利用者は API で再 hydration して投稿本文を取得する。 削除権を尊重しつつ再現性を担保する仕組み。
• MRP (Multilevel Regression with Poststratification): SNS の偏った標本から、 SSDSE のような母集団分布で重み付け補正して全国推定値を作るベイズ的標準手法。
• big data paradox: 標本サイズが大きいほど、 サンプリングバイアスの影響が増幅され推定誤差が悪化する現象。 Meng 2018 が定式化。
• k-匿名性: 個票データの匿名化指標。 同じ属性組合せを持つ個体が k 人以上存在することを保証する。 SNS データは k=5 でも個人特定が起こりうる。
• botometer: Twitter アカウントのボット可能性をスコアリングするオープンツール。 SNS 分析で前処理として広く使われる。

✅ SNS データ活用の最終チェック (拡張 8 項目)

• 分析対象期間と取得時刻のメタデータを必ず保存し、 後から再現可能か確認した。
• 投稿者の年齢・地域分布を推定し、 SSDSE-B-2026 の母集団分布とのギャップを定量化した。
• ボット・スパム除外フィルタを実装し、 残ったアカウントの bot 確率分布を可視化した。
• 感情分析モデルの精度を 100-300 件の人手検証で測り、 脚注に明記した。
• トピックモデルのトピック数を perplexity / coherence で複数候補から選び、 選定過程を文書化した。
• 結果に Bootstrap 95% 信頼区間を必ず付け、 「不確かさ」を隠さずに報告した。
• 個人特定リスクを k-匿名性 (k≥5) と l-多様性で評価し、 リスクが残る投稿は集計から除外した。
• 論文・レポート公開時は ID のみ (dehydrated) で配布し、 投稿本文の再配布は行わない方針を遵守した。

🎓 SNS データ分析を学んだあなたへ (最終メッセージ)

ここまで読み進めたあなたは、 SNS データという「巨大だが偏った」観測媒体を、 公的統計 SSDSE-B-2026 と組み合わせて扱う基本姿勢を身につけた。 大切なのは「投稿量 = 世論」ではなく、 「投稿量 = 投稿者集団の関心の代理指標」だと自分の中で必ず置き換える習慣である。 この習慣がない人は、 トレンドワードに振り回され、 政策判断・経営判断・報道を誤る。 一方、 この習慣を持つ人は、 同じ SNS データから「誰の声が、 どのくらい大きく見えていて、 実態はどうか」を分離して読み取れる。 これがプロのデータサイエンティストと、 アマチュアの SNS ウォッチャーの分かれ目である。

最後に、 SNS データを学ぶ際の倫理について繰り返し強調しておきたい。 SNS の向こう側には必ず生身の人間がおり、 その投稿は本人にとっては一時の感情の発露にすぎないことが多い。 分析者がそれを永続的なデータとして保存し、 集計し、 発表する行為には、 投稿者本人が意図しない使い方が含まれる可能性が常にある。 IRB の承認、 dehydrated dataset 形式での公開、 削除権の尊重、 k-匿名性の確保、 規約遵守、 この 5 つは技術的選択ではなく、 倫理的義務である。 これを忘れた瞬間に、 SNS データ分析は「監視」に変わる。 公的統計と組み合わせる際も、 この姿勢を貫いてほしい。

📝 SNS データを「現実の代理指標」として扱うときの心構え

SNS データに対峙するときの根本的な問いは、「この投稿群は、 私たちが知りたい『現実』のどこを、 どのくらいの解像度で映しているのか」である。 たとえば「失業」というテーマを SNS で観測しようとするとき、 私たちが手に入れているのは「失業について何かを書こうとし、 かつ自分の SNS アカウントに発信した個人の言葉」である。 失業状態にあるが SNS を使わない人、 使っているが書かない人、 書いたがすぐ削除した人、 全員が観測から漏れている。 一方で SSDSE-B-2026 の完全失業率 (F2100) は、 統計法に基づく標本設計で母集団推定値として作られている。 性質が根本的に違うのである。

したがって SNS データ単独で「日本人の何%が失業に不安を感じている」と語るのは統計的に不適切で、 SSDSE の客観値と組み合わせて初めて「客観指標 X に対して SNS では Y のような感情がどのくらい多く語られる」と相対的に語れる。 つまり SNS データは絶対値の言語ではなく、 比率と相関の言語で語るべきメディアなのだ。 この心構えがないと、 「SNS で見たから日本はこうだ」と素朴に語ってしまい、 受け取る側の意思決定を歪める。 研究者・分析者・ジャーナリストは、 必ず公的指標を併記し、 SNS データの代表性の限界を脚注に明記する責任がある。

最後に、 SNS データ分析の最大の魅力は「即時性 × 主観性」にある。 公的統計は半年〜2 年遅れるが、 SNS は今この瞬間に何が話題かを教えてくれる。 公的統計は客観指標が中心だが、 SNS は人々の感情・期待・不安を直接見せてくれる。 この 2 つを組み合わせることで、 私たちは「客観で測れる事実」と「主観で揺れる人の心」の両方を同時に把握できる。 これこそが、 SSDSE-B-2026 のような構造化された公的データと、 X や Instagram のような半構造化された SNS データを併用する真の価値である。

🏗 SNS データ × SSDSE-B-2026 を組み合わせた現実プロジェクト 5 例

実際に SNS データと公的統計を組み合わせるプロジェクトでは、 問いの設計が成果の質を決める。 ここでは大学のゼミや企業 PoC で実施可能な 5 つのテーマを、 ゴール・データ・手法・評価・倫理の 5 軸で具体的に示す。 自分が SSDSE-B-2026 を手にした初学者だったらどの順で進めるか、 という観点で読むと身につきやすい。

プロジェクト A: 県別 SNS バズ × 消費支出の連動性。 ゴールは「消費が活発な県ほど SNS 発信量も多いか」の定量化。 SNS データは X の県別投稿数 (1 ヶ月分)、 SSDSE-B-2026 から 1 世帯あたり消費支出 (L3221) を抽出する。 散布図 + Spearman 相関、 + ロバスト回帰で外れ値耐性を確保する。 評価は決定係数 R² と Bootstrap 95% CI。 倫理面は集計値のみ扱うため低リスクだが、 投稿者の位置情報は破棄する設計とする。

プロジェクト B: 高齢化率と SNS 「介護」話題量の関係。 ゴールは「高齢化が進む県ほど介護関連投稿が多いか、 それとも逆か (家族介護者の投稿頻度仮説)」の検証。 データは介護キーワードを含む投稿の県別集計と SSDSE-B-2026 の 65 歳以上人口比 (A1303 / A1101)。 分析は層化したうえで χ² 検定または Poisson 回帰。 介護当事者のプライバシーに配慮し、 投稿本文は集計に使い終わったら破棄するポリシーを書面化。

プロジェクト C: 求人倍率と SNS 求職投稿の先行指標性。 ゴールは「SNS 上の求職関連話題量が、 後の有効求人倍率 (F4111) を予測するか」。 月次の SNS 集計を 3-6 ヶ月先の SSDSE 指標とラグ相関で評価し、 Granger 因果性検定を用いる。 ベイズ階層モデルで県別効果を分離。 評価は予測 RMSE。 ユーザー個人情報は扱わず、 月次集計のみを保存する設計。

プロジェクト D: 観光宿泊者数と Instagram 位置タグの突合。 ゴールは「写真映えする県と実際の宿泊者数 (I7710) の乖離を測る」。 Instagram の県別位置タグ投稿数を取得し、 県別宿泊者数で正規化したエンゲージメント指標を計算。 散布図 + 残差分析で「過剰評価県」「過小評価県」を発見。 観光戦略への示唆として、 自治体に匿名集計レポートを提供する形を想定。

プロジェクト E: 災害時の援助要請投稿と人口分布の突合。 ゴールは「災害時に SNS で援助要請が多い地域と、 SSDSE 人口分布の高齢者密度地域の重なりを評価する」。 災害キーワード + 位置情報付投稿の県別密度を計算し、 高齢化率と空間相関を取る。 評価は Moran's I (空間自己相関)。 緊急時のため通常の IRB を経ない場合があるが、 事後の倫理委員会報告と削除フローを明文化する。

📜 SNS データ分析の歴史 (10 年間の主要マイルストーン)

SNS データ分析は 2010 年代に急速に発展した若い分野であり、 その歴史を知ることで現在の課題が見えてくる。 ここでは 2010 年代から 2020 年代までの主要な転換点を年代順にたどる。 各時期で支配的だった技術、 主要事件、 学術的成果を理解しておくと、 新たな分析手法の登場を素早く文脈化できる。

この歴史から学べる教訓は、 (1) プラットフォームの一存で研究基盤が消えうる、 (2) 大規模データだからこそバイアスを統計的に扱う必要がある、 (3) 倫理と法務は技術より早く動くべき、 の 3 点である。 SSDSE のような公的統計と組み合わせ、 SNS データを「事後に補正された主観指標」として位置付けることが、 21 世紀的な賢いデータ活用と言える。

🧪 SNS データ分析の代表的方法論 詳細解説 (5 手法)

SNS データから意味ある知見を引き出すためには、 単に投稿を数えるのではなく、 統計学・自然言語処理・グラフ理論の手法を適切に組み合わせる必要がある。 ここでは初心者が踏むべき 5 つの代表手法を、 各 100-200 字で要点解説する。

(1) 時系列分解 (STL 分解): 投稿量の時系列はトレンド (T)、 季節性 (S)、 残差 (R) に分解できる。 statsmodels の STL 関数で簡単に実装でき、 週周期 (S=7) を指定すれば曜日効果が見える。 「火曜の伸び」と「特定話題のバズ」を切り分ける基本ツールである。 SSDSE-B-2026 の年次データと突き合わせる際は、 SNS 側を週次・月次に粗く再集計して同じ粒度に揃える。

(2) ベイズ事後層化 (MRP, Multilevel Regression with Poststratification): SNS 利用者の属性偏りを補正する強力な手法。 多変量階層回帰モデルで投稿者属性ごとの傾向を推定し、 公的統計の年齢×性別×地域分布で重み付け平均する。 県別の世論推定に多用され、 アメリカ大統領選挙のサーベイ研究でも事実上の標準手法となっている。 SSDSE の年齢階層別人口がそのまま MRP の poststratification table として使える。

(3) Granger 因果性検定: SNS 上の話題量が公的指標 (求人倍率、 株価、 消費指数) を先行するかを判定する。 ベクトル自己回帰 (VAR) モデルに基づき、 「話題量 X が指標 Y を Granger 因果する」とは「X の過去値が Y の予測精度を改善する」ことと定義される。 真の因果ではなく予測上の先行関係であるため、 名前は紛らわしい。 結果は時間遅れの分布として報告する。

(4) コミュニティ検出 (Louvain, Leiden アルゴリズム): リツイートやフォロー関係のグラフから、 密につながったコミュニティを発見する。 modularity を最大化する Louvain 法が古典で、 改良版の Leiden 法は解像度問題を緩和する。 検出されたコミュニティは「政治クラスタ」「趣味クラスタ」のように解釈できるが、 解釈は人間に委ねられる。 SSDSE の県別データと組み合わせると、 地域コミュニティの可視化も可能。

(5) 因果推論 (差分の差分法 DID): SNS 上の特定キャンペーンや介入の効果を測る。 介入を受けたユーザー群と類似の非介入群の前後変化を比較し、 二重差分で因果効果を推定する。 propensity score matching で群を作るのが定石。 SNS の介入は「ある日からの広告掲出」「特定アカウントの停止」など現実的なシナリオが多く、 政策評価との親和性が高い。

⚠️ SNS データ落とし穴 詳細追補 (5 件)

• サンプリング時刻の偏り: API 取得は深夜・休日にレート制限が緩むため、 取得タイミングが偏ると話題分布が歪む。 24 時間分散取得し、 時刻別に正規化することが推奨される。 取得ログのメタデータ (取得時刻・取得元 IP) を必ず保存し、 後から偏りを検証可能にしておく。
• 言語識別の誤判定: 日本語+絵文字+英単語の混在投稿は、 langdetect などの自動言語識別が誤判定する。 取得時に投稿言語を「日本語のみ」で絞ると、 こうした投稿が漏れ、 若年層中心の投稿が過小代表になる。 言語識別を疑い、 ハイブリッド投稿も含めるルールを設計する。
• 削除ツイートの非対称性: 炎上した投稿ほど後に削除される確率が高い。 削除前にスクレイピングしたデータと、 削除後の dehydrated dataset では、 同じ ID 範囲でも内容が異なる。 公開する際は「取得時点 = YYYY-MM-DD」を必ず明記し、 削除率を脚注に記載する。
• プラットフォーム規約の変更: X は 2023 年に API 価格体系を大幅に変更し、 多くの研究プロジェクトが停止に追い込まれた。 SNS データ分析の継続性は、 プラットフォームの一存に依存する。 重要データはローカルに保管し、 アクセスログを残し、 規約変更時に即座にバックアップ可能な体制を取る。
• 機械翻訳された投稿の混入: 多言語ユーザーが Google 翻訳経由で投稿した日本語は、 統計的特徴が日本語ネイティブ投稿と異なる。 これを混ぜて感情分析するとモデル精度が落ちる。 投稿者プロファイルの言語設定や、 文体検出 (perplexity ベース) でフィルタするのが望ましい。

📊 公的統計 vs SNS データ 比較表 (8 観点)

🔗 関連用語（前提・並列・発展）

役割で色分け：前提／上位／並列／発展／応用

SNS データ (Twitter / X、 Facebook、 Instagram などの投稿・反応・関係) を扱う 3 階層リンク。

• 前提: API による取得 (Twitter v2 / Reddit など)、 JSON の階層構造の理解、 利用規約とプライバシーの制約。 「集めてよいデータ・使ってよい範囲」を最初に明確化する。
• 並列: 行動ログ (アプリ内クリック・滞在)、 センサーデータ、 テキスト類似度。 「人の行動・発話を機械可読化したデータ」として並ぶ。
• 発展: NLP による感情分析、 ネットワーク分析 (フォロー / リツイート関係)、 ビッグデータ基盤での流通量モニタリング、 選挙・株価予測など。

SNS データは「自己選択された層」しか含まないため、 SSDSE のような網羅的公的統計と組み合わせて偏りを補正する設計が前提。

📚 関連グループ教材

この用語の全体像を学ぶには、 横断的な教材で文脈を掴むのが効率的です。

• 📚 NLP基礎
• 📚 データ倫理

📊 公的統計データ（SSDSE）との比較

両者を組合せた研究が増えています。 例：SNS の感情指標 × 県別失業率（SSDSE）の相関、 災害発生時の SNS 言及量 × 人的被害（消防庁統計）の関係など。

💾 大量 SNS データの保存設計

SNS データは「テキスト＋メタ＋画像/動画リンク」と階層化されており、 単一の表に押し込めると非効率です。 典型的な3層設計：

• Cold（オブジェクトストレージ）：S3 / GCS。 生 JSON や画像バイナリ。 1 ファイル/投稿 で保管
• Warm（カラム DB）：Parquet on S3 + DuckDB / BigQuery。 投稿 ID、 時刻、 ユーザー、 テキスト本文、 メトリクスのみ
• Hot（RDB / 検索エンジン）：PostgreSQL / Elasticsearch。 直近1ヶ月分の検索用。 全文インデックス必須

投稿 ID（UNIQUE）と取得時刻（パーティション）が中核キー。 ハッシュタグやメンションは JSON 配列 → 配列展開ビューで結合。 グラフ部分（フォロー / RT）は Neo4j などのグラフ DB が向きます。

🎯 主要な応用領域

🔌 API 取得の詳細コード

Reddit (PRAW)：研究用途で最も親切な API。 OAuth でアプリ登録するだけ。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16

import praw, pandas as pd

reddit = praw.Reddit(client_id='YOUR_ID',
                     client_secret='YOUR_SECRET',
                     user_agent='research-bot v0.1')

posts = []
for s in reddit.subreddit('japan').hot(limit=200):
    posts.append({'id': s.id, 'title': s.title,
                  'score': s.score, 'created_utc': s.created_utc,
                  'num_comments': s.num_comments,
                  'flair': s.link_flair_text})

df = pd.DataFrame(posts)
df['created_at'] = pd.to_datetime(df['created_utc'], unit='s', utc=True)
print(df.head())

YouTube Data API v3：動画コメントを取得。 クォータ単位で課金。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17

from googleapiclient.discovery import build
import pandas as pd

yt = build('youtube', 'v3', developerKey='YOUR_KEY')

req = yt.commentThreads().list(part='snippet', videoId='VIDEO_ID',
                               maxResults=100, textFormat='plainText')
res = req.execute()

comments = [{
  'author': it['snippet']['topLevelComment']['snippet']['authorDisplayName'],
  'text':   it['snippet']['topLevelComment']['snippet']['textDisplay'],
  'likes':  it['snippet']['topLevelComment']['snippet']['likeCount'],
  'published': it['snippet']['topLevelComment']['snippet']['publishedAt'],
} for it in res['items']]

print(pd.DataFrame(comments).head())

Mastodon：分散インスタンスごとに API があり、 認証不要の public ストリームも利用可。

1
2
3
4
5
6
7
8

from mastodon import Mastodon

m = Mastodon(api_base_url='https://mastodon.social')

# パブリックタイムライン
toots = m.timeline_public(limit=40)
for t in toots[:5]:
    print(t['content'][:80].replace('<','<'))

🛠 NLP 技術スタック

SNS テキストの分析に頻出する技術と日本語用のおすすめライブラリ：

📚 推奨参考文献・次のステップ

日本語書籍

• 『プログラミングのための文字コード技術入門 改訂新版』 矢野啓介（技術評論社, 2018）— SNS データの cp932/UTF-8 問題に必須
• 『Pythonによるテキストマイニング入門』 山内 長承（オーム社, 2017）— 形態素解析の基礎
• 『言語処理のための機械学習入門』 高村 大也（コロナ社, 2010）— 分類モデルの理論基盤

英語論文・教材

• Tumasjan et al. (2010)『Predicting Elections with Twitter』 — 選挙予測のベンチマーク論文
• Salganik (2017)『Bit by Bit: Social Research in the Digital Age』 — デジタル社会調査の方法論
• HuggingFace Course (Chapter 7, Text Classification) — Transformer 系感情分析の現代的教材

本サイト内の次の用語

→ データ収集（取得段階の総論）／ API（取得手段の基礎）／ ログデータ（補完データソース）／ 非構造化データ（テキスト処理の上位概念）／ Web スクレイピング（API がない場合の代替手段）。

🎮 触って理解する ── 情報拡散（バイラル）のネットワーク上シミュレーション

下のグラフは 架空 の小さなソーシャルネットワーク（ノード24・実在の人物やアカウントとは無関係）。 1 つのノードから情報が出発し、 各つながり（エッジ）を 拡散確率 p（各エッジで伝播する確率）で伝わっていく様子を、 SIR 的な独立カスケード（= ボンド浸透）モデルで再現する。 乱数はシード固定なので、 同じ p・同じ出発点なら結果は毎回同じ（決定的）。

↑ 累積到達数の推移（S 字カーブ）── 拡散が起きると中盤で急に立ち上がる

👀 直感 ── つながりを伝って広がる

情報は「人 → その友人 → 友人の友人」とネットワークのエッジを伝って広がる。 p を小さく（例 0.1）すると多くのエッジが「不通」になり、 拡散は出発点の近所で止まる（局所消火）。 p を大きく（例 0.5）すると突然ネットワーク全体に火が回る。 この「ある p を境に急に全域へ広がる」現象が 閾値的な相転移（浸透相転移）で、 平均次数の逆数あたり（p ≈ 1/<k>）に臨界点がある。 S 字カーブの立ち上がりの鋭さがこの相転移の現れ。

ハブ（高次数ノード）から出発すると、 同じ p でも一気に多くの隣人へ届くため拡散が速く・大きくなる。 これが スーパースプレッダー の効果。 逆に 周辺（低次数）ノードから始めると、 火種がハブに到達するまでが遅く、 小さい p では途中で消えやすい。「ハブから」「周辺から」を切り替えて S 字カーブの高さを比べてみよう。

⚠️ 落とし穴 ── 観測されるバイラルは「本当の拡散」ではない

• プラットフォーム依存のバイアス：観測できるのは 1 つの SNS の中だけ。 実際の口コミは DM・別アプリ・オフラインへ漏れており、 グラフは氷山の一角。
• ボット／協調拡散：自然拡散に見えて、 実は少数アカウントの自動 RT で水増しされていることがある（p が一様という仮定が崩れる）。
• エコーチェンバー：似た者同士が密に繋がるコミュニティ内で反響し、 「全体に広がった」ように錯覚するが、 コミュニティの壁で止まっている。
• サンプリング：API のレート制限・検索語の選び方で取れる投稿が偏り、 拡散曲線そのものが歪む。 このシミュレーションのように「全エッジを観測できる」状況は現実には稀。

🚀 発展 ── より正確なモデルへ

• SIR / 独立カスケード（IC）：本ウィジェットは「各エッジが確率 p で 1 度だけ伝播」する IC モデル（＝ボンド浸透）で、 感染後は回復（拡散済）に移る SIR と等価。 拡散モデル で連続時間版（dI/dt = βSI − γI）を扱う。
• 線形閾値モデル：隣人の一定割合が拡散したら自分も拡散、 という別系統の拡散モデル。
• 中心性：どのノードが影響力を持つかは次数・媒介・固有ベクトル中心性で測る（本ページ上部の中心性コードも参照）。 影響最大化はシード選定問題。
• コミュニティ検出：拡散が止まる「壁」を見つける。 ネットワーク可視化 で構造を目で確認できる。
• 観測バイアスの補正は 選択バイアス と 隠れたデータバイアス、 テキスト側の解析は 自然言語処理 を参照。

🗺 概念マップ

関連概念を視覚的に整理した概念マップ。

マップ中心の SNS データから 6 軸が伸びる。 「自然言語処理 (本文解析)」「ネットワーク分析 (関係構造)」「時系列解析 (拡散ダイナミクス)」「画像認識 (投稿画像)」「感情分析 (極性スコア)」「プライバシー保護 (匿名化)」の順に下流処理が広がり、 SSDSE-B-2026 の人口・産業構造と組み合わせれば地域別の関心度マップが描ける。

🔗 隣接手法への橋渡し

「ソーシャルメディアデータ」は Twitter/X・Instagram・口コミから抽出する非構造データ であり、 上流の API 利用規約・倫理審査と下流のテキストマイニング・感情分析・ネットワーク分析を繋ぐ橋渡し役となる。 サンプリング偏り (年代・地域) を常に意識する必要がある。

⬆️ 上流: 取得・利用規約

• API — X / Meta などの公式取得
• スクレイピング — API がない場合の代替
• 利用規約 — 商用利用・再配布の可否

⬌ 並列: 他の非構造データ

• テキストデータ — 投稿本文の分析
• 画像データ — 写真投稿
• 動画データ — 短尺動画

⬇️ 下流: 解析・倫理対応

• 感情分析 — ポジ / ネガ抽出
• トピックモデル — 話題の自動分類
• プライバシー — 個人特定情報の除去

ソーシャルメディアデータは API / 利用規約 → 前処理 → 感情・トピック分析 → プライバシー対応 という流れで、 規約違反・倫理リスクを上流で潰してから解析に進む。

🌳 手法選択フロー

「ソーシャルメディアデータ」を扱うかは、 API アクセス権と代表性の許容範囲で判断する。

1. 公式 API でアクセスできるか? Yes → X API / Mastodon API 等で取得、 No → 利用規約違反の可能性、 代替データ検討
2. 母集団代表性が必要か? Yes → SNS は若年偏重、 SSDSE-B-2026 等の公式統計と併用、 No (現象観察のみ) → そのまま使用
3. 個人情報を含むか? Yes → 匿名化・集計化、 倫理審査必須、 No → 公開投稿のみ集計

ソーシャルメディアデータは速報性が高いが、 ユーザー属性が偏る (Twitter/X は若年男性多め)。 SSDSE-B-2026 のような悉皆統計と組み合わせて補正するのが望ましい。

🔍 解説深化 ── 「分母の統計学」：人口当たり言及率ランキングに潜む小規模県の罠

本ページではここまで、 SNS 言及数を県間比較するには「人口千人当たり」に正規化し、 年齢構成で補正すべきだと述べてきた。 この節ではさらに一歩進み、 正しく正規化した「後」でも残る問題を扱う。 それは「率のゆらぎの大きさは分母（人口）の平方根に支配される」という、 SNS 分析に限らず割合データ全般に潜む統計的性質である。 姉妹ページが扱う「誰が SNS を使うか」の偏り（選択バイアス）とは独立に、 偏りゼロでも起こる点が要注意。

👀 直感 ── 小さい県は「試行回数の少ないコイン投げ」

コインを 10 回投げて表が 7 回出ても驚かないが、 10,000 回投げて 7,000 回表なら偽コインを疑う。 割合の観測値は分母が小さいほど激しく揺れる（標準誤差は分母の平方根に反比例）。 SSDSE-B-2026 の 2023 年実測値（A1101 総人口）で分母の開きを見ると：

東京都と鳥取県の人口比は 26.2 倍。 したがって、 仮に両県の「真の言及率」が全く同じでも、 観測される率のゆらぎ（標準誤差）は鳥取県が東京都の √26.2 ≈ 5.1 倍になる。 これは補正では消えない、 分母の大きさそのものが生む差である。

数値例（※言及率は架空の仮定・人口のみ実測値）：全県で「ある話題を 1 日に人口の 0.01% が投稿する」という架空の一様シナリオを置くと、 期待件数は 東京都 ≈ 1,409 件/日、 鳥取県 ≈ 54 件/日。 日次件数のポアソン的ゆらぎ（±2√λ）は 東京都 ±75 件（相対 約 ±5%）に対し、 鳥取県 ±15 件（相対 約 ±27%）。 つまり鳥取県では真の関心度が一定でも 39 件の日も 69 件の日も普通に起こり、 たまたま並べば「前日比 1.8 倍の急騰」に見えてしまう。 東京都で同じ相対変動が偶然起こることはまずない。

⚠️ 落とし穴（重要）── ランキングの両端は小規模県で埋まる

• 両端の罠：「人口当たり言及率 全国 1 位／最下位」を素朴に並べると、 上位にも下位にも人口の小さい県が集まりやすい。 実力差ではなく分散が大きいだけのことが多い。 横軸に分母（人口）、 縦軸に率を取り、 ±2SE の漏斗（ファネル）を重ねて描けば、 小規模県が漏斗の広い側で暴れているだけか、 本当に漏斗をはみ出す外れ値かを判別できる。
• 47 県同時比較の多重性：1 県ずつなら「±2SE の外に出る確率 約 5%」でも、 47 県を同時に見れば平均 2〜3 県は偶然だけではみ出す。 「◯◯県だけ突出！」という発見は、 まず多重比較の産物を疑う。
• 細分化の罠：県 × 日 × 話題 × 属性と刻むほど分母は急減し、 ノイズ支配になる。 上の架空例で鳥取県の 54 件/日をさらに性別 × 年代で割れば 1 セル数件 ── 率の比較はほぼ無意味になる。 細かく見たいなら期間を束ねて分母を回復させる。
• 分母の取り違え：「住民当たり」「SNS 利用者当たり」「投稿総数当たり」は別の指標。 SNS 普及率が県ごとに違う以上、 どの分母を選ぶかで順位は入れ替わる。 分母の定義を明記しない言及率は比較不能。

🚀 発展 ── 小さい分母と戦う統計の道具

• 縮小推定（経験ベイズ）：小規模県の観測率を全国平均の方向へ「縮めて」推定する。 野球のシーズン序盤の打率を通算成績で補正する James–Stein 推定と同じ発想で、 単純な観測率より予測誤差が小さくなることが知られている。
• 割合の信頼区間：件数が少ないときは正規近似 ±2SE ではなく Wilson 区間・Jeffreys 区間など小標本向けの区間を使う。
• 階層ベイズ／小地域推定：県を独立に扱わず「県は共通の分布から生成される」とモデル化し、 隣接県や共変量（SSDSE-B の人口構成・産業構造）から情報を借りる。 公的統計の小地域推定と同じ枠組み。
• 視点の転換：SSDSE-B-2026 の人口は悉皆統計なので分母には誤差がほぼ無い。 不確かさの源はもっぱら分子（SNS 側の観測）に集中する ── これが SNS データに公的統計を併用するもう一つの実務的利点である。

🔗 関連ページ

• 標準誤差 ── 率のゆらぎ ∝ 1/√n の根拠
• 信頼区間 ── ±2SE と Wilson 区間
• サンプルサイズ ── 分母がいくつなら足りるか
• 多重検定 ── 47 県同時比較の補正
• 選択バイアス ── 本節の「偏りゼロでも起こる」ゆらぎと対をなす、 偏りの問題
• ブートストラップ ── ゆらぎの幅を再標本化で見積もる
• ベイズの定理 ── 縮小推定・階層ベイズの入口
• ファネルプロット・経験ベイズ・小地域推定の単独ページは未収録（本節の解説を参照）