グループフィード

自動車産業は、世界中の経済、技術革新、そして雇用を支える基幹産業です。単に車両を製造するだけでなく、鉄鋼、化学、電子部品、ソフトウェア開発など、あらゆる分野の企業を巻き込んだ巨大なサプライチェーン（供給網）を形成しています。ドイツ、日本、アメリカ、韓国、中国などの国々では、自動車産業はGDPと輸出の大きな割合を占め、「産業の要」としての役割を果たしています。

現在、この巨大産業は「CASE」と呼ばれる100年に一度の大変革期にあります。Connected（コネクテッド）、Autonomous（自動運転）、Shared（シェアリング/サービス）、Electric（電動化）という4つのメガトレンドが、クルマの概念そのものを変えようとしています。ソフトウェアの重要性が増し、クルマは「ソフトウェア定義車両（SDV）」へと進化しています。同時に、カーボンニュートラルの実現に向けて、電動化技術（EV、FCV）や持続可能な素材の開発競争が世界的に激化しています。さらに、工場ではIoTやAIを活用した「インダストリー4.0」が進み、生産プロセスの効率化やカスタマイズが進んでいます。自動車産業の未来は、伝統的なものづくりの力と、デジタル技術を融合させられるかどうかにかかっています。

グループ「MachineLearning」へようこそユーザー同士が交流し、共有するスペースです。自分の考えを投稿、メディアを共有、投票を作成しましょう。

　能登半島地震の被災地のうち、珠洲市を取り上げて地震発生前の2023年10月から地震後18か月たった2025年6月までのTwitterの投稿数、投稿者数、閲覧数、「いいね」数のそれぞれの推移をまとめてみました。

　地震前と比較すると、4つすべてが急増しており、地震後18か月たっても地震前の水準に戻っていません。

　地震後いずれも数を減らすのですが、投稿数と投稿者数の減少と比較して、閲覧数と「いいね」数の減少が激しいことが分かります。

　その原因ですが、例えば山梨大学の片谷先生らは、大手メディアのうち新聞を取り上げて、地震発生から時間の経過とともに急激に報道が減少し、社会的関心の維持に必ずしも貢献していない可能性を指摘しています。

グループ「MachineLearningグループ」へようこそユーザー同士が交流し、共有するスペースです。自分の考えを投稿、メディアを共有、投票を作成しましょう。

可視化資料を見るまでもなく、皆さまの予測のとおりです。

まず、投稿数と投稿者数。

投稿数も投稿者数もほぼ同じ動きをしました。

6月26日が市議会で追及された日ですので、それ以前の25日までを平時とすると、「除籍だったけど続投するよ」と言っちゃった7月2日は、投稿数は約7倍、投稿者数は12倍に増加しています。

良い内容のツイートが増える分には大歓迎なのですが、そんなわけないだろうな。

前回は被災地「珠洲市」の感情表現の推移を見てみました。

最終回は、ツイートに現れる特定の語の推移から復旧作業などの進捗状態をつかむことができるか頑張ってみます。

あまりたくさんの語を使用すると、グラフが見にくくなります。そこで今回は「避難所、仮設住宅、断水、ボランティア、解体」の５語を使って、単語の使用頻度がどのように変わっていくのかを見てみます。

まずは、避難所と仮設住宅。

地震発生時には仮設住宅などありませんので、2024年1月は避難所が圧倒的にたくさん出現します。途中凸凹しますが2024年8月から仮設住宅と避難所の頻度が逆転し、現在に至っています。2024年8月末には要望戸数6,804戸のうち、 6,262戸が完成予定でしたので、大体時期はあっています。ちなみに全戸完了して避難所が閉鎖されたのは、2005年3月でした。

前回に引き続いて、能登半島の先っぽの自治体「珠洲市」に関するTwitterを使用して、投稿者の感情の変化を可視化してみました。

まずは「Koheii」さんが公開している学習済みモデル「bert-japanese-finetuned-sentiment」で、各ツイートをポジティブ、ネガティブ、ニュートラルに分類しました。

上の図は、各月の全投稿に占めるポジティブとネガティブの比率の推移を表しています。

ネガティブな投稿は地震が発生した2024年1月に上昇し、その後2028年8月まで緩やかに上昇し、その後低下しています。ポジティブな投稿は2024年1月以降緩やかに上昇し、2024年8月以降はやや増加率が高くなっています。

震災なのにポジティブというのも変な感じがしますが、例えば「がんばろう」とか「応援しています」などがツイートに含まれると、ポジティブに分類されているようです。地震発生当初は応援ツイートが多く、2024年8月以降は復旧工事が具体的に目に見えるようになったことによるものではないかと想像しています。

訓練済み言語モデルの発展が急速で、いろんな高性能なものを手軽に使える環境になって驚いています。昔々は夜なべして訓練用の分譲データを作ってモデルを訓練して、それでもたいした精度が出なくてがっかりだったのが、隔世の感があります。

前回は僕の地元である加賀市に関するツイートを扱いましたが、今回は能登半島地震で甚大な被害を受けた珠洲市に関するツイートを見てみます。

地震が発生した２０２４年１月のワードクラウドを見てみると

当然ですが、地震や震災に関する単語で埋め尽くされます。

投稿者の属性を見てみます。

前回はワードクラウドと共起ネットワークを使って、ツイート「加賀市」を見てみました。

今回はBERTを使って、ツイート「加賀市」の環状分析（ネガ・ポジ判定）を行ってみます。

トークナイザーはおなじみの「cl-tohoku/bert-base-japanese-whole-word-masking」、ネガポジ判定モデルは「koheiduck/bert-japanese-finetuned-sentiment」を使っています。

結果は、