第10章 ConceptMap-Text — データ入力と前処理

第10章 ConceptMap-Text — データ入力と前処理

ConceptMap-Text は、テキストデータから概念構造モデル（GNG-MST）を構築するための7ステップウィザードです。サイドバーの「モデル＆探索」をクリックしてアクセスします。

10.1 画面構成

ConceptMap-Text の画面は以下の構成です：

左サイドバー（ステップナビゲーション）:

• 7つのステップボタンが縦に並んでいます
• 現在のステップがハイライト表示されます
• 未完了のステップはグレーアウトしてクリックできません
• 完了したステップには緑のチェックマークが表示されます
• 最下部に「保存/読込」ボタンがあります

メインエリア:

• 選択中のステップに対応するコントロールパネル

ステップの順序:

1. データ入力 → 2. 埋め込み → 3. 次元削減 → 4. 特徴設定 → 5. モデル構築 → 6. クラスタリング → 7. 探索

各ステップは前のステップが完了しないと進めません。ただし、完了済みのステップに戻って再実行することは可能です（その場合、以降のステップがリセットされます）。

10.2 ステップ1：データ入力

データソースとテキスト列を指定します。

プロジェクトとファイルの選択

1. 「プロジェクト」ドロップダウンから、自動リサーチで作成したプロジェクトを選択
2. 「ファイル」ドロップダウンから、使用するCSVファイルを選択
3. CSVの先頭数行のプレビューと、カラム一覧が表示されます

カラムの役割設定

CSVの各列に対して、以下の役割をボタンクリックで指定します：

重要: 最低1つの列を「Text」に設定してください。Text列が選択されていない場合、次のステップに進めません。

推奨設定の例（概念抽出CSVの場合）:

• concept_name_en → Text（メインのモデリング対象）
• summary_en → Text（要約もモデリングに含める場合）
• trigger_context_en → Text または Reference
• abstract_structure_en → Text または Reference
• chapter_section → Categorical
• chunk_index → Numeric または Unused
• book, author → Reference
• key_terms → Reference または Unused

CCM（Connected Concept Model）の構築:

複数のText列を設定すると、各列ごとに独立したモデルが構築され、行インデックスで相互参照可能なCCMが作成されます。例えば、concept_name_en と summary_en の両方をTextに設定すると、概念名のモデルと要約のモデルが連結された状態で構築されます。

データの読み込み

1. 全てのカラムの役割設定が完了したら「データを読み込み」ボタンをクリック
2. CSVデータがエンジンに送信されます
3. 成功すると、最初の20行のデータプレビューテーブルが表示されます
4. このステップが「完了」マークになり、次のステップ（埋め込み）がアンロックされます

注意: 「データを読み込み」を再実行すると、エンジンセッションがリセットされ、埋め込み・次元削減・モデルなど全ての後続ステップがリセットされます。

10.3 ステップ2：埋め込み（Embedding）

テキストデータを高次元ベクトル空間に変換します。意味的に近いテキストが近いベクトルになるように変換され、後の分析の基礎となります。

設定項目

モデル選択:

次元数選択:

推奨: 通常は text-embedding-3-small + Auto で十分です。

操作手順

1. モデルと次元数を選択
2. 「埋め込みを生成」ボタンをクリック
3. 進行状況バーが表示されます（データ量に応じて数秒〜数分）
4. 完了すると次のステップに進めます

追加機能

埋め込みCSVのアップロード:

• 事前に計算した埋め込みベクトルをCSV形式でアップロードできます
• 各行が1つのデータに対応し、列が各次元の値です
• 独自の埋め込みモデルを使用したい場合に便利です

埋め込みCSVのダウンロード:

• 生成した埋め込みベクトルをCSV形式でエクスポートできます
• 外部ツールでの分析や、後で再利用する場合に便利です

クレジット消費: 埋め込み生成に10クレジット（自前APIキー使用時は5クレジット）

10.4 ステップ3：次元削減（Dimension Reduction）

高次元の埋め込みベクトル（1536次元など）を、分析可能な低次元空間（通常3〜8次元）に圧縮します。各次元は概念の「分析軸」として解釈できます。

設定項目

方式:

次元数:

• 出力する次元数を指定します
• デフォルト: データ量に応じて3〜8（少量データは少なく、大量データは多く）
• 推奨: 概念数30以下→3次元、30〜100→5次元、100以上→6〜8次元

UMAPパラメータ:

パラメータの調整ガイド:

• データのクラスターをはっきり分けたい場合：n_neighbors を小さく（5〜10）、min_dist を小さく（0.01〜0.05）
• 全体的な傾向を見たい場合：n_neighbors を大きく（30〜50）、min_dist を大きく（0.3〜0.5）
• デフォルト値は多くのケースで良好に動作します

操作手順

1. 方式、次元数、パラメータを設定
2. 「実行」ボタンをクリック
3. 処理が完了すると、各次元の統計情報が表示されます

次元の解釈（ラベル付け）

次元削減の結果に意味を与える重要なステップです。

1. 「次元を解釈」ボタンをクリック
2. AIが各次元のデータを分析し、意味ラベルの候補を提案します
3. 各次元について：
4. AI提案のラベルがボタンとして表示されます。クリックで選択
5. または、テキスト入力欄にカスタムラベルを手動入力

ラベルの例:

• 「Dim 1」→「具体的 ↔ 抽象的」
• 「Dim 2」→「理論 ↔ 実践」
• 「Dim 3」→「個人 ↔ 組織」
• 「Dim 4」→「短期 ↔ 長期」

次元ラベルは、後のモデル探索で各ノードやクラスターの「位置」の意味を理解するために使用されます。

10.5 トラブルシューティング