あなたは熟練したソフトウェアエンジニア兼自然言語処理・AI研究者です。以下のすべての要件・理念・背景仕様・制約を完全に満たす、Windows上で動作する「日本語文学作品の感情極性分析・AI体験・学習・実験プログラム」を、単一のPythonファイル（`.py`）として設計・実装してください。

---

# 1. ゴールと目指す利用者体験

## 1.1 ゴール

* Windows上で動作する、自然言語処理・AIの体験・学習・実験のための対話型プログラムを完成させること。
* 青空文庫の近代文学作品の本文を文単位で `POSITIVE`（肯定） / `NEUTRAL`（中立） / `NEGATIVE`（否定）の3クラスに分類し、原理の異なる2手法（学習済みニューラル言語モデルによる文脈考慮型の分類器と、日本語評価極性辞書による語彙集計法）の判定を突き合わせ、作品内の感情極性の推移と手法間の一致度（観測一致率 $p_o$・Cohenの$\kappa$係数・PABAK・3×3分割表など）を定量化・可視化する機能をすべて実現すること。
* 初期の3作家（30作品）だけでなく、**別タブの画面から青空文庫コーパス内の作家・作品リストを閲覧・検索し、簡単な操作で解析対象に自由に追加できること**。
* **日本語の文章に対する簡単な表層・文体変換操作（記号除去、文末の常体「である調」統一、敬体「です・ます調」統一、終助詞除去、否定表現除去など約10種類）を1つ選んで小説全体に適用し、「操作しないとき（原文）」と「操作したとき（変換後）」で、小説全体の感情極性の推移がAIモデルおよび辞書手法それぞれでどう変化するかを、同一座標の推移グラフで重ねて比較実験できること**。
* **最新のAI技術の複数候補の調査と最適選定**、**算出過程の完全な透明性**、およびスクリーンショットでも一目で読み取れる高いビジュアル性（大きな文字・明確で学術的に正確な図表）を兼ね備え、利用者が「触ってよかった」「期待以上だった」と実感できる体験を生み出すこと。

## 1.2 具体的な体験シーン（どんな場面でどう感じてほしいか）

1. **起動から作品選択・推論までのストレスのない導入体験**
* 初回起動時にコーパス・形態素解析器・評価極性辞書・学習済みAIモデルがバックグラウンドで自動ダウンロード・準備され、進捗状況と実効推論デバイス（GPU名・VRAM容量またはCPU）がリアルタイムにわかる場面で、「煩雑なファイル配置をしなくても、ボタンひとつですぐに本格的な実験を始められる」という安心感を得られること。

2. **パラメータ操作によるゼロ待ち時間の対話的実験体験**
* 一度推論を終えた後は、ニューラルモデルの最大クラス確率の下限や辞書手法の集計方式（合計・平均）、判定しきい値 $\theta$、否定表現による極性反転のON/OFF、中心移動平均の窓幅 $w$、段落ブロックの粒度などを動かした瞬間に、再推論なしで統計指標・分割表・推移グラフ（文章操作の推移比較グラフを含む）がミリ秒単位で書き換わる場面で、「しきい値ひとつでAIと辞書の一致度や `NEUTRAL` の割合がこれほど劇的に変わるのか」「合計方式では文極性値が整数になるため、$0<\theta\le 1$ の範囲はすべて同じ判定になる（だから $\theta$ は整数刻み）」という直感的な発見と快適さを感じられること。

3. **グラフと原文・算出根拠を行き来する『透明性』の高い探索体験**
* 作品全体の感情推移グラフの山や谷をクリックし、左右矢印キー（`←` / `→`）で1文ずつ前後の文脈をたどりながら、AIモデルの3クラス確率・期待極性値と辞書の一致語・否定反転の有無が色分けハイライトで同時に浮かび上がる場面で、「この数値と判定ラベルがどのような計算過程で算出されたのかが一目で検証できる」「物語のクライマックスや登場人物の葛藤、皮肉・反語・文語表現において、文脈を読むAIと単語を数える辞書でなぜ判定が一致・乖離するのかが手に取るようにわかる」という深い納得感を得られること。

4. **日本語の文体・表記変換による、小説全体の感情推移の比較体験**
* 日本語の簡単なテキスト変換操作をリストから1つ選ぶだけで、その操作が小説全体の全文に適用され、「操作前（原文）」と「操作後（変換文）」の感情極性の推移（中心移動平均）が手法ごとに同じ座標で重ねて表示され、その差（変換後−原文）と、操作で文面が実際に変化した文の位置が同じ横軸上に示される場面で、「内容語の基本形で照合する辞書手法の推移は文末を『である調』や『です・ます調』に変えてもほとんど重なったままなのに、記号・助詞・助動詞を含むサブワード系列全体を見るニューラルモデル（BERT等）の推移は作品のこの区間で大きくずれる！」という、両手法のメカニズムの違いが作品のどこに現れるかを目の当たりにする驚きと発見を得られること。推移グラフの山や谷をクリックすれば、その位置の文の操作前・操作後の算出根拠に直ちに移れること。

「操作後（変換文）」で選択可能な操作法（10種類）については、「ヘルプ」のタブの中で、操作法それぞれの学術的に正確な説明と出典を示す。そして、操作後（変換文）については隠すことなく、利用者のかんたんな操作で、操作前の原文と、操作後（変換文）の全文を左右に並べて確認できる別のタブ画面（「原文⇔変換文」タブ）に切り替わる。

5. **青空文庫の多様な作家・作品を自在に追加して広げる探求体験**
* 初期登録の夏目漱石・芥川龍之介・太宰治だけでなく、「作家・作品の追加」タブを開けば青空文庫コーパス内の他の作家・作品一覧がわかりやすく並び、ワンクリックでメイン画面の解析リストに追加でき、迷わず「メイン画面へ戻る」ボタンで戻ってすぐ比較解析できる場面で、「自分の好きな作家や時代・ジャンルの異なる作品でも自由に実験を広げられる」というワクワク感を得られること。

6. **AIの内部動作・判断の仕組みを覗き見る体験**
* ユーザの操作でAIの最新結果およびAIの仕組みの可視化をいつでもオン・オフできる場面で、「ブラックボックスに見えるニューラルネットワークが、文をどうサブワード分割し、どのトークンに注目し、ロジットからソフトマックス関数を経てどう最終確率を導出したのか」を視覚的に理解し、知的好奇心が満たされること。

7. **発表資料やレポートにそのまま使える『ビジュアル性』の体験**
* ノートPC（縦768画素）でも4K大画面でも文字やグラフが潰れず、画面のスクリーンショットを撮るだけで文字が大きく鮮明に読め、学術的に正確な注釈付きの図表としてそのまま授業課題や研究発表に使える場面で、「細部まで配慮が行き届いた期待以上のツールだ」と感じられること。

---

# 2. 基本理念と設計方針

* **利用者価値の最優先**：実装の前に、利用者が迷わず実験・比較・検証に没頭できるUI配置、データ構造、スレッド設計、視覚的表現を深く考え抜くこと。
* **実現方法の自律的決定**：具体的なクラス設計、アルゴリズムの細部、GUIコンポーネントの構成、AIの仕組みの可視化デザインなどは、本プロンプトの要件と制約を守る範囲であなた自身が最適に判断して決めること。
* **機能を増やしすぎないこと**：結論を導くのに役立たない些末な算出結果や、説明を伴わない数値・図は表示しないこと。表示するすべての数値・図には、その定義と読み方を画面上（キャプション・注記・ヘルプ）で示すこと。
* **判断に迷ったときの優先順位**：
**法令・ライセンス・安全性 ＞ Windowsで動作すること ＞ 主要機能の実現 ＞ AI体験の豊かさ**

---

# 3. 3つの重点強化テーマ（AI技術選定・透明性・ビジュアル性）

## 3.1 2023年以降の最新AI技術（学習済みモデル）の複数候補調査と最適選定

* 記憶に頼らず現時点の最新情報を調査し、ゴールを達成するためにダウンロードして利用できる日本語感情極性分類・感情分析の学習済みAIモデルの候補を複数比較検討すること。
* **候補の検討と選定**：
* 比較用モデルとして、事前学習済みBERTのファインチューニングモデル（`koheiduck/bert-japanese-finetuned-sentiment`：2022年12月公開、東北大学 `cl-tohoku/bert-base-japanese-whole-word-masking` 基盤、12層・隠れ次元768・語彙3.2万・最大系列長512、MeCab+IPAdic→WordPiece、`config.json` の `id2label` は `0:NEUTRAL / 1:NEGATIVE / 2:POSITIVE`（`label2id` は `LABEL_0〜2` と不整合のため `id2label` のみを用いる）、重み約443MB、モデルカード本文・ライセンス表示・学習データの記載なし）を確実にサポートすること。
* 既定モデルとして、日本語Twitterへ領域適応した `LoneWolfgang/bert-for-japanese-twitter-sentiment`（2024、Apache License 2.0、BERT for Japanese Twitter 基盤、MeCab+unidic_lite→WordPiece、語彙3.2万、学習データ JTS1k（mixed 例を除外）、`id2label` は `0:negative / 1:neutral / 2:positive`、重み約443MB）を用い、上記2モデルをメイン画面の「② 手法1のAIモデル」で切り替えて比較実験できる仕組み（4.5節）として実装すること。
* 2023年以降に公開・発展したその他の候補（Amazonレビューで学習した `christian-phu/bert-finetuned-japanese-sentiment`（2023）、多言語蒸留モデル `lxyuan/distilbert-base-multilingual-cased-sentiments-student`（2023）、WRIMEコーパスで学習した8感情分類モデル `Mizuiro-sakura/luke-japanese-large-sentiment-analysis-wrime`、4クラス（mixed 付き）の `LoneWolfgang/bert-for-japanese-twitter-sentiment-mixed-label`）は調査のみとし、用いない理由をヘルプの「調査したが用いない候補」に記載すること（起動時の判定・ダウンロードは行わない）。
* 2つのモデルは起動時に `config.json`・`tokenizer_config.json` を取得し、①出力ラベルが POSITIVE/NEUTRAL/NEGATIVE の3クラスへ一意に対応付けられるか、②トークナイザに必要なパッケージ（LoneWolfgang は fugashi と unidic-lite、koheiduck は fugashi と ipadic）が導入済みか、を自動判定し、満たさないモデルは選択肢を無効にすること（判定結果と除外理由は実行ログとラジオボタン下の状態表示に明記。既定モデルを使えない場合は koheiduck で起動する）。必要な辞書を別の形態素解析辞書等で代用する劣化実装は行わないこと（例：unidic_lite を要するモデルを IPAdic で動かすと、サブワード分割が学習時と食い違い性能が保証されない）。
* ※背景知識として、日本語の感情極性分類には以下の5つのアプローチが存在する。この全体像を踏まえて設計・解説すること：
* **候補A：評価極性辞書による語彙集計法**（小林ら 2005 / 東山ら 2008、または高村ら 2006 の単語感情極性対応表。学習不要で根拠語を明示できるが文脈・語順を考慮しない。**本プログラムで手法2として採用**）
* **候補B：情緒推定システム ML-Ask**（Ptaszynski et al. 2009 / 中村明『感情表現辞典』1993。喜・怒・哀・怖など10種の情緒と活性度を辞書＋文脈規則で推定するが、口語・掲示板文体が主対象）
* **候補C：事前学習済みTransformer（BERT等）のファインチューニングによる3値極性分類**（Devlin et al. 2019 等。双方向Transformerに分類層を載せ、語順・係り受け・否定を含む文脈を踏まえて分類する。**本プログラムで手法1として採用**）
* **候補D：感情強度回帰・感情カテゴリ推定モデル**（Kajiwara et al. 2021 WRIME / Yamada et al. 2020 LUKE 等。主観・客観の感情強度や感情カテゴリを推定する。3値極性とは出力空間が異なる）
* **候補E：大規模言語モデル（LLM）によるゼロショット／少数事例分類**（Brown et al. 2020 等。文語や皮肉に対応しやすく理由も出力できるが、計算負荷が高く出力が確率的で再現性の担保が難しい）

* 選定した学習済みモデルは実際にHugging Face Hubからダウンロードして推論・動作確認を行うことが望ましい。実行環境の制約でダウンロード確認ができなかった箇所がある場合は、確認済みと偽らず、未確認であることを明記すること。

## 3.2 透明性（算出結果がどのように算出されたか容易に確認できること）

* 統計値やグラフ、各文の判定が「なぜその値・ラベルになったのか」を利用者が一点の曇りもなく追跡・検証できる透明性を徹底すること。
* **文単位の算出根拠の明示**：
* 任意の文（先頭5文、不一致文、低確率文、推移グラフ上でクリック・矢印キー選択した文、および文章操作の推移比較グラフ・一覧で選択した文）について、以下の算出過程を省略せず同時に確認できるようにすること：
1. **手法1（AIモデル）の算出過程**：入力文のサブワード（トークン）分割結果、トークン数（最大系列長による切り捨ての有無）、モデルの出力ロジットおよび3クラスそれぞれのソフトマックス確率 $P(\text{POSITIVE}), P(\text{NEUTRAL}), P(\text{NEGATIVE})$、最大クラス確率 $\max P$、最大クラス確率の下限しきい値との比較による最終ラベル（下限未満による `NEUTRAL` 置換の有無）、および期待極性値 $P(\text{POSITIVE}) - P(\text{NEGATIVE})$（ラベル値 +1/0/−1 のモデル分布下の期待値）。
2. **手法2（評価極性辞書）の算出過程**：形態素解析（表層形・基本形・品詞）の結果、N-gram最長一致で辞書にヒットしたすべての極性表現の見出し語、元の極性値（$+1 / -1$）、直後3形態素以内の否定表現による符号反転の有無（例：`気になる(-1・否定で反転→+1)`）、反転適用後の有効極性値、集計方式（合計または1件あたり平均）による文極性値の計算式と結果、判定しきい値 $\pm\theta$ との大小比較による最終ラベル。

* **AIの最新結果とAIの仕組みの可視化機能（ユーザ操作でON / OFF可能）**：
* ユーザがチェックボックス等でいつでもオン・オフできる「AIの仕組みと算出根拠」タブを設けること。
* 選択中の文や最新の推論結果に対し、トークナイザによるサブワード分割（`[CLS]`, `[SEP]` を含む）から、Transformer層での処理（最終層の `[CLS]` からの注意重み、全層の注意重み、`[MASK]` による1トークンずつの遮蔽で求めた寄与度、各層の `[CLS]` 表現と最終層 `[CLS]` の余弦類似度）、分類ヘッドのロジット出力、ソフトマックス関数 $\text{softmax}(z_i) = \frac{\exp(z_i)}{\sum_j \exp(z_j)}$ による確率変換、しきい値判定に至るパイプラインと、辞書ベースのN-gram照合・否定スコープ反転のパイプラインを対比して図解すること。注意重みは判断理由そのものではないこと（Jain & Wallace 2019）、遮蔽はトークン間の相互作用を捉えないことを画面に注記すること。解釈できる意味を持たない量（例：表現ベクトルのノルム）は表示しないこと。
* 同タブで、選択中の文（または入力した文）について、出力 $F = P(\text{POS}) - P(\text{NEG})$ に対する統合勾配（Sundararajan, Taly & Yan 2017。基準入力は `[CLS]`・`[SEP]` 以外を `[PAD]` にした系列、分点数 $m$ は20〜300の中点則）を計算し、トークンごとの寄与、経路上の出力、完全性 $\sum_i a_i = F(x) - F(x')$ の検算、辞書の一致表現との対比を図と表で示すこと。

## 3.3 ビジュアル性（明確で学術的に正確、かつスクリーンショットでも見やすく文字が大きいこと）

* **スクリーンショットでの高い視認性と大きな文字サイズ**：
* 授業のレポート、研究発表スライド、論文の図表として画面のスクリーンショットをそのまま貼り付けても文字が潰れず明瞭に読めるよう、GUIのラベル・ボタン・レポート表示欄・インスペクタ、および `matplotlib` のグラフ（タイトル・軸ラベル・目盛り・凡例・分割表セル内の数値と百分率・下部キャプション）のすべてにおいて、コントラストが高く十分な大きさのフォントサイズ（および文字サイズ拡大・縮小機能）を採用すること。
* Windows標準の視認性に優れた日本語フォント（UI・グラフには `BIZ UDPゴシック`, `Yu Gothic UI`, `Yu Gothic`, `Meiryo`、等幅のレポート・分割表には `BIZ UDゴシック`, `MS Gothic` 等）を環境に応じて自動選択し、全角文字の表示幅（East Asian Width: F, W, A を2桁、その他を1桁）を正確に計算してテキストの表や棒グラフの桁を美しく揃えること。
* 配色はカラーユニバーサルデザインにも配慮した明確な色分け（Okabe & Ito 2008 の配色。例：`POSITIVE` はオレンジ系、`NEGATIVE` は青緑系、`NEUTRAL` はグレー系、AIと辞書の比較線は青と朱）とし、マーカー形状や線種（実線・点線・破線）・ハッチングも併用して白黒印刷やスクリーンショット縮小表示でも識別しやすくすること。原文と変換後の比較では、原文を実線、変換後を破線・点線とすること。

---

# 4. 実装すべき具体的な機能・アルゴリズム・外部仕様（省略厳禁）

## 4.1 解析対象データセットと作品・著者の厳密な切り分け、および「青空文庫の作家・作品追加タブ」

* Hugging Face `datasets` から `globis-university/aozorabunko-clean`（パブリックドメイン作品に限定して整形された青空文庫データセット、データセットカードのライセンスは CC BY 4.0）の `train` スプリットを自動取得すること。
* **初期搭載の3作家×10作品（計30作品）**：
* **夏目漱石**（人物ID `000148`）：こころ、吾輩は猫である、坊っちゃん、草枕、三四郎、それから、門、彼岸過迄、行人、夢十夜
* **芥川龍之介**（人物ID `000879`）：羅生門、鼻、蜘蛛の糸、地獄変、藪の中、河童、杜子春、トロッコ、或阿呆の一生、歯車
* **太宰治**（人物ID `000035`）：人間失格、走れメロス、斜陽、津軽、ヴィヨンの妻、富嶽百景、女生徒、駈込み訴え、お伽草紙、トカトントン

* **抽出規則**：同名の作品が他作家にある場合を切り分けるため、メタデータ `meta["図書カードURL"]` に `/cards/{人物ID}/` を含み、かつ全角・半角空白を除いて正規化した `meta["作品名"]` が一致する行を抽出すること。同一作品に複数の版がある場合は、`meta["文字遣い種別"] == "新字新仮名"` の版を優先すること。初期選択は芥川龍之介『羅生門』とする。解析リストからは最大3作品まで同時選択可能とすること（4件以上選択しようとした場合はUI側で直前の3件選択状態に戻し、エラーを起こさせないこと）。
* **【追加要件1】別タブ画面での「青空文庫の作家・作品リスト表示と簡単追加機能」**：
* 初期の3作家（30作品）だけでなく、メインGUIの別タブとして「作家・作品の追加」タブを設けること。
* ロード済みの `globis-university/aozorabunko-clean` のメタデータ（`meta`）から作家一覧（人物ID・作家名と作品数の一覧）および各作家の作品一覧（「新字新仮名」優先、文分割後に1文以上ある作品）を自動集計してリスト表示すること（検索・絞り込み機能を備えること）。
* 利用者がそのタブ画面で作家を選び、作品を選んで「解析対象リストに追加」（または「追加してメイン画面で選択」）ボタンを押すだけの簡単な操作で、メイン画面の作品リストボックスに即座に追加され、初期の30作品と全く同じように解析・作品間比較ができるようにすること。

## 4.2 メイン画面以外のすべてのタブ画面における「メイン画面への戻り方」の明示

* **【追加要件2】迷わせないナビゲーション設計**：
* メイン画面（作品選択・条件設定・集計レポート等の基本画面）以外のすべてのタブ画面（「判定不一致・低確率の文」「文章操作の比較実験」「原文⇔変換文」「作家・作品の追加」「AIの仕組みと算出根拠」「実行ログ」「ヘルプ」）には、画面上部の目立つ位置に**大きく分かりやすい「← メイン画面（解析・集計レポート）に戻る」ボタン**および案内表示を必ず配置すること（キーボードショートカットでも戻れること）。
* これにより、どのタブを開いていてもワンクリックで迷わず元のメイン画面へ戻れるようにすること。

## 4.3 日本語の簡単な文章操作による、小説全体の感情推移の比較実験機能

* **【追加要件3】文章の簡単な操作（日本語処理）による感情推移の変化を1画面で比較する機能**：
* **目的**：日本語の文章に対して表層的・文法的な「簡単な操作（変換）」を小説全体に施したとき、「操作しないとき（原文）」と「操作したとき（変換後）」で、AIモデル（BERT等）および評価極性辞書による小説全体の感情極性の推移がどう変化するか（あるいはなぜ変化しないのか）、またその変化が作品のどの区間に現れるかを、1画面で比較・検証できるようにすること。正解ラベルが存在しないため、変化は「どちらが正しいか」ではなく各手法の入力表現への感度を表すことを画面に明記すること。
* **極性分析に役立つ日本語文章操作の候補リスト（10種類）**：
両手法の特性の差（文脈・文末モダリティ・引用記号・強調表現・活用形・否定・感情語・表記への依存度）を浮き彫りにするため、以下の日本語処理（形態素解析 `fugashi + ipadic` または正規表現による決定論的・高速な変換）をドロップダウンとして用意し、利用者が**リストから1つを選んで**適用できるようにすること：
1. **鉤括弧・引用記号等の除去**（`「」『』（）【】〈〉` 等の括弧類を除去する。会話文・引用と地の文の境界記号が消えたとき、AIモデルのクラス確率がどう変化するかを検証する）
2. **感嘆符・疑問符・三点リーダ等の情緒・強調記号の除去（句点「。」への統一）**（`！!？?` を `。` に置換し、`…―` や長音の連続を除去する。強調記号がAIの最大クラス確率に与える影響を検証する）
3. **文末を「である調（常体）」に統一**（IPAdic の活用型による再活用で、「〜です。」「〜ます。」「〜でした。」「〜ました。」「〜ません。」「〜だ。」等を「〜である。」「〜る。」「〜た。」「〜ない。」等に変換する。丁寧さの違いがAIの判定に与えるバイアスと、辞書手法の不変性を比較する）
4. **文末を「です・ます調（敬体）」に統一**（「〜る。」「〜た。」「〜ない。」「〜だ。」や形容詞終止形を「〜ます。」「〜ました。」「〜ません。」「〜です。」等に変換する。レビュー等で学習されたAIモデルが敬体で確率変化を起こすかを検証する）
5. **文末の終助詞・間投助詞（よ・ね・な・わ・ぞ・ぜ・か・かしら・さ等）の除去**（話し手の態度を表す終助詞を取り除き、命題内容だけにしたときのAIの判定変化を検証する）
6. **否定表現（ない・ぬ・ず・ん・まい）の除去（肯定化実験）**（助動詞・形容詞の否定表現を除去し、直前の動詞・形容詞を肯定形に活用し直す。規則で再活用できない箇所（例：五段動詞終止形＋「まい」）は変換しない。両手法が否定スコープをどう捉えて極性を反転させているかを対比する）
7. **形容詞・副詞・連体詞（修飾語）の除去（骨組み抽出実験）**（否定の「ない」は保持し、名詞・動詞の骨格だけにしたときに極性がどれだけ失われるかを検証する）
8. **読点「、」の除去**（句切りの手掛かりを除く。辞書の照合は原則不変だが、形態素解析の結果が変わる文は例外）
9. **評価極性辞書の一致表現を「＊」で遮蔽（感情語マスク）**（辞書は一致0件となり全文 NEUTRAL。AIの判定が残れば、感情語以外の文脈手掛かりを用いていることを示す：表現消去法 Li, Monroe & Jurafsky 2016）
10. **全文のひらがな化**（IPAdic の読みでひらがなへ変換し、漢字表記の手掛かりを消す）

* **適用範囲と推論方法（透明性）**：
* 操作は選択作品の**小説全体の全文**に適用すること（メイン画面の解析文数 $N$ には依存しない）。
* 原文の全文推論は「作品・モデル・最大系列長・デバイス」の組ごとに1回だけ行ってキャッシュし、メイン画面で解析済みの先頭 $N$ 文の結果は再利用すること。
* 変換後は文面が変化した文のみ再推論し、変化しない文は入力が同一のため原文の推論結果を用いること（推論は決定論的であり結果は変わらない）。辞書照合は全文で再実行すること。この方針と、文面が変化した文数を画面とログに明示すること。
* 判定・集計条件（4.6節2）は原文と変換後で共通とし、条件を変更すると再推論なしで推移比較グラフ・表が即座に更新されること。

* **推移比較グラフ（主表示、全幅・同一横軸の3段）**：
* 上段：手法1（AI）について、原文と変換後の「AIラベル値の中心移動平均」と「$P(\text{POS})-P(\text{NEG})$ の中心移動平均」を重ねる（原文＝実線、変換後＝破線・点線）。
* 中段：手法2（辞書）について、原文と変換後の「辞書ラベル値の中心移動平均」を重ねる。
* 下段：差（変換後 − 原文）の3系列と、操作で文面が実際に変化した文の割合（中心移動平均、右軸の塗りつぶし）。窓内に変化文がない区間では差が厳密に0になることをキャプションに明記する。
* 横軸は小説全体の文番号。グラフをクリックすると、その位置の文が下段の文一覧で選択され、縦の点線マーカーが表示されること。図の下に、手順・判定条件・各線の定義を記した学術的キャプションを付けること。

* **数値表（グラフの下）**：原文と変換後それぞれの POSITIVE / NEUTRAL / NEGATIVE 比率、観測一致率 $p_o$、Cohenの$\kappa$、文面が変化した文の数、判定ラベルが変化した文の数と割合（AI vs 辞書）、最大クラス確率と期待極性値 $P(\text{POS})-P(\text{NEG})$ の平均変化量 $\Delta$、推移曲線の差（平均絶対差・最大の差とその文番号）を1つの表で示すこと。対象範囲（小説全体）がメイン画面の集計と異なることを明記すること。

* **ミクロ比較（個々の文の対比）**：文面が変化した文、AI/辞書の判定ラベルが変化した文、すべての文、を絞り込んで $|\Delta(P(\text{POS})-P(\text{NEG}))|$ の降順に一覧表示し、選択した文について「操作前の文・サブワード分割・3クラス確率・辞書一致語」**と**「操作後の文・サブワード分割・3クラス確率・辞書一致語・確率の増減差分（$\Delta P$）」を左右に並べてハイライト表示すること。利用者が任意の1文を直接編集して即座に前後比較できる入力欄も備えること。

* **全文対照**：「原文⇔変換文」タブで、原文と変換文の全文を1文1行で左右に並べ、変化箇所を色分け表示すること（変換文は隠さない）。

## 4.4 本文のクレンジング・文分割・会話文判定

* **注記・ルビ除去**：コーパスは配布時点でルビ・記法が除去され、挿入注は丸括弧付きの本文に変換されている。残った記法への安全策として、正規表現により入力者注記 `［＃[^］]*］`、ルビ開始記号 `[｜|](?=[^\s]{1,20}《)`、およびルビ `《[^》]*》` を除去すること（丸括弧の注は本文として解析対象に含まれる）。
* **段落と文の分割**：
* 改行で区切られた空でない行を「段落（段落番号 $0, 1, \dots$）」とする。
* 文末記号は `。．！？!?` とする。ただし開き括弧 `「『（〈《【〔` と閉じ括弧 `」』）〉》】〕` の入れ子の深さ（`depth`）を数え、括弧の内側（`depth > 0`）では分割しないこと。
* 文末記号の直後に閉じ括弧や三点リーダ・ダッシュ・読点等（`」』）〉》】〕｣"'”’…―ー、`）が続く場合は、それらを直前の文に含めること。
* `「…。」「…。」` のように、文末記号で終わる発話の閉じ括弧の直後に次の開き括弧（`「『`）が続く場合は、その境界で文を区切ること。
* 記号や空白のみからなる断片（文字数1以下、または実質的な内容文字を含まないもの）は解析対象の文から除外すること。

* **会話文の判定**：
* `「` と `」` の対を含む文、`『` と `』` の対を含む文、または `「` もしくは `『` で始まる文を「会話文」、それ以外を「地の文」と判定すること（引用や心内語も含まれる表記上の判定であることをレポートおよび画面に明記すること）。

## 4.5 手法1（ニューラル言語モデル）と手法2（日本語評価極性辞書）の実装仕様

* **手法1（ニューラル言語モデル）**：
* トークナイザで各文を最大系列長 `max_length` で切り詰めて符号化し、最大系列長に達した文数（`truncated`）を記録すること。
* モデル出力の添字と内部クラス順序 (POSITIVE, NEUTRAL, NEGATIVE) の対応は、`config.json` の `id2label` のラベル名から一意に決定し、対応をログに表示すること。
* **動的バッチ構成**：パディングを最小化し、かつメモリ不足がある場合は最初のバッチで判明するよう、文をトークン数の降順に並べ替え、1バッチあたりの最大文数（32文）および最大トークン総数予算（`32 * 512`）の両方を超えないようにバッチを組んで `torch.inference_mode()` で推論すること。GPUメモリ不足時は同一入力をバッチ分割して再実行すること（推論結果は変わらない）。
* **デバイス自動判定**：CUDAが利用可能であり、かつGPUの搭載メモリ（VRAM）が3GB以上の場合はGPU（`cuda:0`）、それ以外はCPUを使用すること。使用デバイス名とVRAM容量を画面とログに明示すること。
* 各文について3クラスの確率 $(P(\text{POS}), P(\text{NEU}), P(\text{NEG}))$ を保持すること。これにより、後から「最大クラス確率の下限」を変更しても再推論せずに即座にラベル（$\max P < \text{下限}$ なら `NEUTRAL`、それ以外は最大確率のクラス）を更新できるようにすること。
* **2モデルの切り替え**：メイン画面「② 手法1のAIモデル」のラジオボタンで LoneWolfgang（既定）と koheiduck（比較用）を切り替えること。解析前に選んだモデルで解析を行い、解析が終わると表示していないほうのモデルで同じ作品・同じ条件（同じ文・最大系列長・デバイス）の推論を裏で進めること。辞書の結果は2モデルで共有し、計算し直さないこと。計算済みのモデルを選べば再推論なしで即座に切り替え、裏の推論が終わる前に選んだ場合は終わった時点で自動的に切り替えること。各モデルの状態（表示中・計算済み・推論中（進捗）・未計算・解析前・利用不可）を画面に表示すること。文章操作の比較と統合勾配はモデルごとの推論に依存するため、切り替え時に結果を消去し（実行中なら中断し）、切り替えた後に改めて実行することとする。新たに解析を始めると実行中の裏の推論は破棄し、裏の推論が中断・失敗したモデルを選ぶと推論をやり直すこと。

* **手法2（日本語評価極性辞書）**：
* 東北大学 乾・岡崎研究室の用言編 `https://www.cl.ecei.tohoku.ac.jp/resources/sent_lex/wago.121808.pn` と名詞編 `https://www.cl.ecei.tohoku.ac.jp/resources/sent_lex/pn.csv.m3.120408.trim` を自動ダウンロード（`.part` 一時ファイル経由で安全に保存）し、`polarity_dict/` にキャッシュすること。
* **辞書テーブル構築**：空白を除去した表記をキーとする。用言編は「ポジ」で始まれば $+1$、「ネガ」で始まれば $-1$ とし、同一表記にポジとネガが併存する表現は照合対象から外す。名詞編は極性欄の `p` を $+1$、`n` を $-1$、`e` を $0$ とし、用言編に未登録（正負併存で除外した表記を含む）の名詞について同一表記の非ゼロ極性が1種類のみのものを採用し、正と負が併存する語や $0$ の語は照合対象から外すこと（採用数・除外数をログに表示）。
* **N-gram最長一致照合**：`fugashi.GenericTagger(ipadic.MECAB_ARGS)` で各文を形態素 `(表層形, 基本形, 品詞)` の列に分割する（未知語で基本形が `*` の場合は表層形を基本形とする）。各位置から最大5形態素（`MAX_NGRAM = 5`：「堪忍袋 の 緒 が 切れる」等の慣用句に対応）までの幅を降順に調べ、①表層形の連結、②末尾形態素のみ基本形にした連結（例：「気 に なっ」→「気になる」）、③全形態素を基本形にした連結（例：「かなわ なかっ」→「かなう ない」）の3通りで辞書を引き、最長一致した極性表現を抽出し、一致した幅だけ位置を進めること。
* **否定スコープによる極性反転判定**：一致した極性表現の直後3形態素以内（`NEGATION_WINDOW = 3`）を走査し、境界記号（`。．.！!？?；;「」『』…` ※読点「、」は「良くは、ない」があるため境界にしない）に達する前までに、品詞が `{"助動詞", "形容詞"}` かつ基本形が `{"ない", "無い", "ぬ", "ん", "まい", "なし", "無し"}` である形態素（「〜なんだ」の名詞「ん」等を誤認しないよう品詞条件を必ず含める）が奇数個あれば `negated = True` と記録すること。
* **文極性値とラベルの算出**：否定反転ONのときは `negated == True` の語の極性符号を反転させる。文中の極性表現の有効極性値の「合計」または「1件あたりの平均」を文極性値 $v$ とし、$v \ge \theta$ なら `POSITIVE`、$v \le -\theta$ なら `NEGATIVE`、$|v| < \theta$（または極性表現が0件）なら `NEUTRAL` と判定すること。

## 4.6 パラメータの2階層分離（推論条件と即時反映条件）

GUI上で以下のパラメータを明確に2グループに分けて配置し（手法1のAIモデルの選択は別グループ「② 手法1のAIモデル」として4.5節の方式で切り替える）、「判定・集計条件」の変更時は再推論を一切行わず即座（デバウンス処理により滑らかに）レポートと全グラフを更新すること：

1. **推論条件（変更時は再解析が必要である旨のヒントを表示）**：
* 解析する文数の上限 $N$：100〜3000文（100刻み、初期値600）＋「作品全体を解析する」チェックボックス（文章操作の比較実験は常に小説全体が対象）
* 最大系列長 `max_length`：128〜512トークン（64刻み、初期値512）
* GPU使用の有無チェックボックス（利用可能な場合のみ有効）

2. **判定・集計条件（解析後も再推論なしで即時反映）**：
* 最大クラス確率の下限（ソフトマックス最大確率のしきい値）：0.34〜0.99（0.01刻み、初期値0.34。※3クラス分類では最大確率は必ず $1/3$ 以上となるため、初期値0.34では置換がほぼ起きず、0.5以上に上げると下限未満の判定が `NEUTRAL` に置き換わることを説明すること）
* 文極性値の集計方式：ラジオボタン「合計（sum）」／「平均（mean）」（初期値：合計）
* 文極性値の判定しきい値 $\theta$：集計方式に応じてスライダーの範囲・刻み・初期値を自動連動させること。合計方式では文極性値が整数となり $0<\theta\le 1$ の範囲がすべて同じ判定になるため、`1〜6, 刻み1, 初期値1` とする。平均方式では `0.05〜1.0, 刻み0.05, 初期値0.5`。現在の $\theta$ による判定規則を1行のヒント文として画面に常時表示すること。
* 否定表現（ない・ぬ・ず・まい等）による極性反転：ON / OFF チェックボックス（初期値：ON）
* 中心移動平均の窓幅 $w$［文］：5〜100文（5刻み、初期値20。各文を中心とする窓幅 $w$（左 $\lfloor (w-1)/2 \rfloor$・右 $\lfloor w/2 \rfloor$ 文）の単純移動平均を累積和で $O(n)$ で計算し、両端では窓を縮小すること。中心に揃えることで後方移動平均のような位置の遅れは生じないが、平滑化により山・谷は前後に広がるため、原因文は算出根拠欄で確認するよう案内すること）
* 段落ブロックの大きさ［段落］：1〜30段落（1刻み、初期値10）

## 4.7 統計量・テキストレポート・グラフ・保存機能の完全実装

1. **統計量（学術的に正確な計算）**：
* 3×3分割表 $M$（行＝手法1、列＝手法2、値＝文数）、観測一致率 $p_o = \frac{1}{n}\sum_i M_{ii}$、不一致率 $1 - p_o$。
* Cohenの$\kappa = \frac{p_o - p_e}{1 - p_e}$（$p_e$ は周辺分布から求めた偶然一致の期待値。$1 - p_e < 10^{-12}$ のときは $\kappa = 1.0$ とする）。
* Fleiss, Cohen & Everitt (1969) の大標本近似による $\kappa$ の漸近標準誤差 $SE$ と95%信頼区間 $[\max(-1, \kappa - 1.96 SE), \min(1, \kappa + 1.96 SE)]$。
* Landis & Koch (1977) の区分（$<0.0$: poor, $\le 0.20$: slight, $\le 0.40$: fair, $\le 0.60$: moderate, $\le 0.80$: substantial, $>0.80$: almost perfect）。
* 3カテゴリにおける PABAK $= \frac{3p_o - 1}{2}$、および各ラベルとそれ以外の2×2表に縮約したカテゴリ別$\kappa$。
* 両手法とも `NEUTRAL` と判定した文数と割合（一致文中の割合・全文中の割合）、両手法とも極性あり（`POS`または`NEG`）と判定した文数と極性一致率、一方が `POS` で他方が `NEG` と逆転した文数と割合。

2. **メイン画面のタブ構成（`ttk.Notebook`）と「メイン画面へ戻る」導線**：
* **タブ1「メイン（集計）」**：解析条件、先頭5文の判定と根拠、全体のラベル比率、地の文と会話文のラベル分布、10等分区間ごとの `POS`/`NEG` 比率とテキスト棒グラフ、手法間の一致度と3×3分割表、AIモデルの最大クラス確率統計（平均・中央値・最小・最大・0.6未満の文数・下限置換文数・文長との相関係数 $r$・文長四分位群 Q1〜Q4 ごとの平均最大クラス確率）、辞書手法の内訳（一致文数・延べ一致件数・否定反転件数・事前極性（辞書に登録された極性）と文脈極性（否定反転を適用した後の極性）それぞれによる正負別の頻出極性表現上位8語）、および2作品以上選択時の「作品間の比較表」を出力すること。また、各指標の解釈上の注意点を学術的に正確な文言で付記すること。
* **タブ2「不一致・低確率の文」**：【1】分割表の非対角6セルごとに、AIの最大クラス確率が高い順（降順）に最大3文ずつ（文番号 `#`、最大クラス確率、文極性値、一致極性表現、本文）を列挙し、否定・反語・皮肉・比喩などの分析手掛かりを示すこと。【2】AIの最大クラス確率が `0.6` 未満の文を昇順に最大20文列挙すること。
* **タブ3「文章操作の比較実験」**：4.3節で定義した、小説全体についての原文と変換後の感情推移比較グラフ、数値表、ミクロ比較、1文編集比較の画面。
* **タブ4「原文⇔変換文」**：原文と変換文の全文を左右に並べた対照画面。
* **タブ5「作家・作品の追加」**：4.1節で定義した青空文庫の作家リスト・作品リストを表示し、簡単な操作でメインの解析対象リストに作品を追加できる画面。
* **タブ6「AIの仕組みと算出根拠」**（ON/OFF切替）：3.2節で定義した図解・統合勾配と算出根拠の画面。
* **タブ7「実行ログ」**：資源ダウンロード・2モデルの利用可否の判定結果・デバイス設定・バッチ推論の進捗（残り予測時間つき）・裏の推論とモデル切り替え・保存結果のログ。
* **タブ8「ヘルプ」**：第5章の要件を満たすヘルプ画面。
* タブ2〜8の上部に「← メイン画面（解析・集計レポート）に戻る」ボタンを配置すること。

3. **図のウィンドウと対話機能**：
* **作品ごとの図（4面＋学術的キャプション）**：
* 上段：文単位の感情極性推移（AIラベル値の中心移動平均、クラス確率差 $P(\text{POS})-P(\text{NEG})$ の中心移動平均、辞書ラベル値の中心移動平均、右軸に両手法とも `NEUTRAL` の割合の塗りつぶし）。ラベル値の線は「窓内の（POSITIVE文数−NEGATIVE文数）÷窓内文数」、$P(\text{POS})-P(\text{NEG})$ の線は「ラベル値の期待値の窓内平均」であり、いずれも個々の文の感情の強度ではないことをキャプションに区別して明記すること。クリックした位置に縦線マーカーを引き、下部のテキスト領域に「選択した文の番号・段落・種別（地の文/会話文）・両手法のラベルと確率/極性値・極性表現の色付きハイライト（正＝橙背景、負＝緑背景）・前後の文」を表示し、`←` / `→` キーで1文ずつ移動できること（パン・ズーム操作中は誤反応しないこと）。
* 中段：段落単位の平均（正＝橙、負＝緑、0＝灰の棒グラフ）と連続段落ブロック単位の全文平均（折れ線、ブロック中央に配置）。
* 下段左：10等分区間ごとの `POSITIVE` / `NEGATIVE` 割合（AI＝棒、辞書＝折れ線）。
* 下段右：3×3分割表のヒートマップ（セル内に文数と全文に対する百分率を大きく明記）。

* **作品間比較の図（2作品以上選択時・3面＋キャプション）**：作品別ラベル比率、10区間推移の比較、観測一致率・両中立率・Cohenの$\kappa$の比較。
* **感度分析の図（2面＋キャプション）**：上段は辞書のしきい値 $\theta$ を掃引、下段はAIの最大クラス確率下限（0.34〜0.98）を掃引したときの、観測一致率・Cohenの$\kappa$・変化させた側の `NEUTRAL` 比率の感度曲線（現在値を垂直点線で表示）。

4. **ファイル一括保存**：
* `outputs/YYYYMMDD_HHMMSS/` フォルダを作成し、作品別CSV（`sentiment_{作家}_{作品}_{モデル}.csv`：BOM付きUTF-8、`index, paragraph, type, sentence, bert_label, bert_confidence, p_positive, p_neutral, p_negative, dict_label, dict_value, dict_words`。`bert_confidence` は最大クラス確率）、作品別PNG（`sentiment_{作家}_{作品}_{モデル}.png`）、比較PNG（`sentiment_comparison_{モデル}.png`）、感度分析PNG（`sensitivity_{モデル}.png`）、文章操作の比較実験を実施済みの場合はその推移比較PNGと数値表（`transform_{作家}_{作品}_{操作}_{モデル}.png` / `.txt`）、統合勾配を計算済みの場合は `integrated_gradients.png` / `.txt`、および `summary.txt`, `notable_sentences.txt`, `log.txt` を保存すること（`{モデル}` は表示中の手法1のモデル名）。

---

# 5. 画面サイズ切替と「ヘルプ」タブの必須要件

## 5.1 画面表示モードの切り替え（縦768画素ノートPCモード ⇔ 4K対応全画面モード）

* ノートPC（解像度 1366×768 等）の画面に縦方向が収まり、下部のボタンやタブが見切れずに操作できる「ノートPC標準モード（縦768画素基準）」と、高解像度（4Kディスプレイ等）で一覧性高く大きく表示できる「全画面表示モード」を、画面上の切替ボタンおよびキー操作（`F11` キーで切替、`Escape` キーで全画面解除）でユーザがいつでも切り替えられるようにすること。また、画面モードやユーザ操作に応じて文字サイズを読みやすく調整できるようにすること。

## 5.2 メインGUIにおける「ヘルプ」タブの実装内容

メイン画面のタブ（`ttk.Notebook`）の1つとして「ヘルプ」タブを設け（メイン画面への戻りボタンも明示し）、以下の内容をスクロール可能な大きな文字で見やすく体系的に記載すること：

1. **キー操作・マウス操作の簡潔な説明**
* 作品リストの選択（クリック、Ctrl+クリックによる最大3件選択、ダブルクリックでの即時解析開始）
* 「作家・作品の追加」タブからの新しい作家・作品の検索と追加手順
* 「文章操作の比較実験」タブでの操作の選択と、小説全体の推移比較グラフ・数値表・ミクロ比較の見方（グラフのクリックによる文の選択を含む）
* パラメータスライダー・チェックボックス・ラジオボタンの操作（推論条件と即時反映条件の違い）
* 推移グラフ上段のマウスクリックによる文の選択と、キーボードの `←` / `→` キーによる1文ずつの前後移動
* 手法1のAIモデルの切り替え操作（裏の推論、自動切り替え、状態表示、切り替え後に文章操作の比較と統合勾配を改めて実行すること）
* AIの仕組み可視化のON / OFF操作、統合勾配の計算操作、画面表示モード（縦768pxモード／全画面モード）の切替操作、各タブからメイン画面への戻り方

2. **使用技術の簡潔かつ正確な説明**
* 手法1（事前学習済みTransformer分類器：サブワードトークナイゼーション、双方向自己注意機構による文脈符号化、ソフトマックス関数によるクラス確率算出、動的バッチ推論）と手法2（日本語評価極性辞書：MeCab+IPAdicによる形態素解析、最大5形態素のN-gram最長一致、後方3形態素窓内の否定表現による極性反転規則）のアルゴリズムと対比（文脈の扱い・説明性・未知語や比喩への対応・調整可能性）。
* 本ツールで用いる2モデル（既定・比較用）の調査結果（公開時期・基盤・学習データ・ライセンス・ラベル対応）と対比、自動判定の内容、および調査したが用いない候補の一覧とその理由。
* 統合勾配の定義・数値計算・基準入力・公理・検算・限界。
* 文章操作10種類それぞれの方法・目的・予想される反応・出典と、それらが形態素解析およびニューラルモデル・辞書手法それぞれに与える影響の理論的背景（行動テスト CheckList の不変性・方向性テストとの関係）、ならびに小説全体での推移比較という方法とその推論方式。
* 統計指標（観測一致率 $p_o$、Cohenの$\kappa$係数と偶然一致期待値 $p_e$、Fleissらの漸近標準誤差、Landis & Kochの目安区分、PABAK、カテゴリ別$\kappa$、中心移動平均）の数理的定義。
* 実験結果を解釈する際の重要な学術的注意点（現代語Wikipedia・SNS・レビュー等で学習されたモデル・現代語辞書と近代文学の「領域のずれ」、正解ラベル不在のため一致率は正確度（accuracy）ではないこと、両中立による見かけの一致率上昇、較正（calibration）未保証のため最大クラス確率は正解確率ではないこと、隣接文の非独立性など）。

3. **オープンデータ・学習済みモデル・ライブラリ等のライセンスと使用条件（授業利用と商用利用の区別）**
* 使用しているすべてのオープンデータ、辞書、学習済みモデル、ライブラリ、関連AI枠組みについて、「大学での授業・学術研究での利用の場合」**と**「商用利用（企業内利用・営利サービス組み込み等）の場合」を明確に区別して表示すること。法的助言ではなく確認時点の公開情報の要約であること、利用前に配布元の最新条件を確認すべきことを明記すること：
* **青空文庫クリーンデータセット（`globis-university/aozorabunko-clean`）**：データセットカードのライセンスは CC BY 4.0。収録本文は著作権保護期間満了のパブリックドメイン作品。授業利用・商用利用ともに可能で、クレジット表示（出典・ライセンス名・改変の有無）が条件。
* **東北大学 乾・岡崎研究室「日本語評価極性辞書」（用言編・名詞編）**：無償公開されており、配布ページに「クレジットを明記していただければ商用利用も可能」と明記されている。授業・研究利用および商用利用ともに、出典論文（用言編：小林ら 2005、名詞編：東山ら 2008）の引用と「東北大学 乾・岡崎研究室」のクレジット表記が必要であること。
* **学習済みAIモデル**：既定モデル `LoneWolfgang/bert-for-japanese-twitter-sentiment` は Apache License 2.0 であり、授業利用では出典（リポジトリ名と関連する修士論文 Klein 2024）を示すこと、商用利用も許諾範囲内だが再配布時はライセンス条文の同梱・変更の明示・帰属表示の保持が必要で、商標は許諾されず無保証であることを記述すること。比較用モデル `koheiduck/bert-japanese-finetuned-sentiment` はモデルカードにライセンス表示がなく、基盤モデル `cl-tohoku/bert-base-japanese-whole-word-masking` は CC BY-SA（カード本文は 3.0、メタデータは 4.0 と表記が不一致）であること。授業利用では出典を明記し重みの再配布を避けること、商用利用ではライセンス不明確のため権利者確認なしの組み込みを推奨しないこと、CC BY-SA の継承条件（翻案物を同一ライセンスで提供）が及ぶ可能性があることを記述すること。その他の候補（Apache License 2.0 / CC BY-SA 4.0 等）についても、各モデルカードのライセンス条項、クレジット表記義務、授業利用・商用利用それぞれの可否と条件を正確に記述し、本ツールで使用しない候補はその旨を明記すること。
* **形態素解析辞書・ソフトウェア（MeCab / IPAdic / fugashi / unidic-lite）**：MeCab は GPL / LGPL / BSD の三者択一、IPAdic は IPAdic ライセンス（ICOT 由来の条項を含む）、fugashi は MIT License、unidic-lite はコードが MIT または WTFPL・同梱の UniDic 2.1.2 が BSD ライセンスであることに基づく授業利用・商用利用の条件。
* **フレームワーク・ライブラリのライセンスと使用条件**：PyTorch（BSD-style）、Hugging Face Transformers / Datasets（Apache License 2.0）、Matplotlib（PSF/BSD互換）について、著作権表示・ライセンス条文・変更通知を保持する限り、大学の授業・学術研究での利用および商用利用の双方で無償利用・再配布・改変が可能であること、ただし付随する学習済みモデルカードに個別規定がある場合はそれに従うことを明記すること。

* **動作条件（システム要件）の明示**：必要パッケージ（unidic-lite を含む）、必要なディスク空き容量（モデル・コーパス・辞書のキャッシュとして約3GB を目安、モデル2つで約0.9GB）、メインメモリ（2つのモデルを同時に保持するため8GB以上推奨）、GPUの有無（NVIDIA CUDA対応GPU・VRAM 3GB以上があれば高速推論、GPUなしのCPU環境でも動作すること。CPUでは600文で数十秒〜数分程度が目安で、裏の推論中は表示中モデルの処理が遅くなることがある）を記載すること。

---

# 6. コードの信頼性向上と学術的正確性の徹底

1. **エラーメッセージを出して終わる処理の除去と、エラー自体を起こさせない設計**
* 単なるエラーチェックでエラーメッセージを表示して終了するようなコードは除去すること。
* 準備完了前や推論実行中、作品未選択時など、実行できないタイミングでは該当ボタンを `tk.DISABLED` に制御し、選択作品数の上限（3件）やスライダーの有効範囲・刻み幅もUI側で自動的に制約することで、利用者の操作によってエラーが発生しない設計にすること。

2. **劣化したフォールバック処理の完全排除**
* エラー時にダミーデータや簡易規則へすり替えるような「フォールバックによる劣化処理」は一切書かないこと（利用できないモデルを別の辞書で代用することも含む）。外部ファイルのダウンロード時は一時ファイル（`.part`）に書き出してから `os.replace` で置き換えるなど、不完全な状態やエラー自体が起きない堅牢な工夫を行うこと。

3. **学術的に正確な用語・コメント・図表説明の徹底**
* 画面表示、レポート出力、グラフの軸ラベル・タイトル・キャプション、およびコード内の日本語コメントのすべてを学術的に正確な用語で統一すること：
* 「確信度」という曖昧な語は使わず、「最大クラス確率（3クラスのソフトマックス出力の最大値）」と表記すること。
* 正解ラベルが存在しない2手法の比較であるため、「正解率・正確度（accuracy）」や「混同行列（confusion matrix）」ではなく、「観測一致率 $p_o$」「分割表（contingency table）」を正式名称として用いること。
* 移動平均は各文を中心とする「中心移動平均」として正確に実装・説明し、ラベル値の平均が「窓内の（`POSITIVE`の文数 − `NEGATIVE`の文数）÷ 窓内の文数」に等しく、個々の文の感情の強度そのものを表すものではないこと、位置の遅れはないが平滑化による広がりはあることを明記すること。
* 表示単位は計算方法と一致させること（例：バイト数を $10^6$ で割った値を MB と表示する）。

4. **コードの単純化と関数化**
* 機能や処理内容を一切損なうことなく、重複するUI生成・集計・描画・文字列整形・文章変換処理を関数やデータクラス（`@dataclass`, `NamedTuple`）に整理し、見通しが良く総行数の無駄がない洗練されたコードにまとめること。

---

# 7. 動作環境と実装上の技術制約

* **対象環境**：Windows 10 / 11、Python 3.12（標準の `tkinter` を含む）。
* **外部パッケージ**：`torch`, `transformers`, `datasets`, `fugashi`, `ipadic`, `unidic-lite`, `matplotlib` のみで動作すること（OSのシステム設定やレジストリ等を書き換えるコードは含めないこと）。unidic-lite は既定モデルのトークナイザが用いる。
* **キャッシュと出力の局所化**：スクリプト配置ディレクトリ（`BASE_DIR`）配下に `hf_cache/`（環境変数 `HF_HOME` で指定）、`polarity_dict/`、`outputs/` を自動作成し、2回目以降の起動・推論を高速化すること。また `TOKENIZERS_PARALLELISM="false"`, `HF_HUB_DISABLE_SYMLINKS_WARNING="1"` を設定し、Windows環境での不要な警告を抑止すること。
* **マルチスレッドと応答性**：コーパス・モデルの読み込みと推論処理（および文章操作比較時の小説全体のバッチ推論、もう一方のモデルの裏の推論）はデーモンスレッドで実行し、メインスレッドの `queue.Queue` と `after` ループを介してGUIを更新することで、推論中も画面が固まらず、「中断」ボタンでいつでも安全に推論をキャンセルできるようにすること。

---

# 8. 出力形式の指定

* **完成したPythonコード全体（単一ファイルでそのまま実行可能な完全なコード）を、途中を一切省略せず（`# 略` や `...` などを絶対に使わず）出力してください。**
* コード以外の説明は最小限（必要なライブラリのインストールコマンド、起動コマンド、動作条件、およびモデルダウンロード・動作確認の実施状況の簡潔な明記のみ）にしてください。動作確認を実施していない項目は、未確認であることを明記してください。
