LUKEによる日本語感情分析（ソースコードと実行結果）


日本国憲法の分析結果

プログラム利用ガイド

1. このプログラムの利用シーン

日本語で書かれた文章の感情を分析するためのソフトウェアである。小説や日記、SNS投稿などのテキストファイルを読み込み、文章ごとの感情を8種類に分類する。文章全体を通した感情の変化をグラフで確認できるため、物語の展開や文章の感情的な構成を把握する際に利用できる。

2. 主な機能

3. 基本的な使い方

  1. 事前準備:

    以下のコマンドで必要なライブラリをインストールする。

    pip install -U torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu126

    pip install transformers matplotlib japanize-matplotlib numpy ruptures

  2. プログラムの起動:

    Pythonでプログラムを実行すると、ファイル選択ダイアログが表示される。分析したいテキストファイル（.txt形式、UTF-8エンコーディング）を選択する。

  3. 閾値の設定:

    コンソールに閾値の入力を求めるメッセージが表示される。0.0〜1.0の範囲で数値を入力する。未入力の場合は0.1が適用される。この閾値以上のスコアを持つ感情が結果に★マークで表示される。

  4. 結果の確認:

    分析が完了すると、コンソールに各文章の感情スコアが表示される。その後、感情変化グラフのウィンドウが開く。

  5. 終了方法:

    グラフウィンドウを閉じるとプログラムが終了する。結果ファイルはプログラムと同じディレクトリに保存される。

4. 便利な機能

Python開発環境，ライブラリ類

ここでは、最低限の事前準備について説明する。機械学習や深層学習を行う場合は、NVIDIA CUDA、Visual Studio、Cursorなどを追加でインストールすると便利である。これらについては別ページ https://www.kkaneko.jp/cc/dev/aiassist.htmlで詳しく解説しているので、必要に応じて参照してください。

Python 3.12 のインストール

インストール済みの場合は実行不要。

管理者権限でコマンドプロンプトを起動（手順：Windowsキーまたはスタートメニュー > cmd と入力 > 右クリック > 「管理者として実行」）し、以下を実行する。管理者権限は、wingetの--scope machineオプションでシステム全体にソフトウェアをインストールするために必要である。

REM Python をシステム領域にインストール
winget install --scope machine --id Python.Python.3.12 -e --silent --accept-source-agreements --accept-package-agreements
REM Python のパス設定
set "PYTHON_PATH=C:\Program Files\Python312"
set "PYTHON_SCRIPTS_PATH=C:\Program Files\Python312\Scripts"
echo "%PATH%" | find /i "%PYTHON_PATH%" >nul
if errorlevel 1 setx PATH "%PATH%;%PYTHON_PATH%" /M >nul
echo "%PATH%" | find /i "%PYTHON_SCRIPTS_PATH%" >nul
if errorlevel 1 setx PATH "%PATH%;%PYTHON_SCRIPTS_PATH%" /M >nul

【関連する外部ページ】

Python の公式ページ: https://www.python.org/

AI エディタ Windsurf のインストール

Pythonプログラムの編集・実行には、AI エディタの利用を推奨する。ここでは，Windsurfのインストールを説明する。

管理者権限でコマンドプロンプトを起動（手順：Windowsキーまたはスタートメニュー > cmd と入力 > 右クリック > 「管理者として実行」）し、以下を実行して、Windsurfをシステム全体にインストールする。管理者権限は、wingetの--scope machineオプションでシステム全体にソフトウェアをインストールするために必要となる。

winget install --scope machine --id Codeium.Windsurf -e --silent --accept-source-agreements --accept-package-agreements

【関連する外部ページ】

Windsurf の公式ページ: https://windsurf.com/

必要なライブラリをシステム領域にインストール

コマンドプロンプトを管理者として実行（手順：Windowsキーまたはスタートメニュー > cmd と入力 > 右クリック > 「管理者として実行」）し、以下を実行する 


pip install -U torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu126
pip install transformers matplotlib japanize-matplotlib numpy ruptures

LUKE日本語感情分析プログラム

1. 概要

このプログラムは、日本語テキストから8種類の感情（喜び、悲しみ、期待、驚き、怒り、恐れ、嫌悪、信頼）を自動的に分類する。各文章に対して感情スコアを算出し、文章全体の感情変化をグラフとして可視化する。

2. 主要技術

LUKE (Language Understanding with Knowledge-based Embeddings)

Yamadaらが2020年に発表した事前学習モデルである[1]。文中の単語とエンティティを独立したトークンとして扱い、エンティティ認識型自己注意機構により各トークンの文脈を考慮した表現を生成する。本プログラムでは、LUKEの日本語版をWRIMEデータセットでファインチューニングしたモデル（Mizuiro-sakura/luke-japanese-large-sentiment-analysis-wrime）を使用する。

WRIMEデータセット

Kajiwaraらが2021年に公開した日本語感情分析用データセットである[2]。Plutchikの感情モデルに基づく8種類の感情カテゴリ（喜び、悲しみ、期待、驚き、怒り、恐れ、嫌悪、信頼）に対して、主観的・客観的の両方のアノテーションが付与されている。

3. 技術的特徴

4. 実装の特色

本プログラムは以下の機能を備える：

5. 参考文献

[1] Yamada, I., Asai, A., Shindo, H., Takeda, H., & Matsumoto, Y. (2020). LUKE: Deep Contextualized Entity Representations with Entity-aware Self-attention. In Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP), pages 6442–6454. https://aclanthology.org/2020.emnlp-main.523/

[2] Kajiwara, T., Chu, C., Takemura, N., Nakashima, Y., & Nagahara, H. (2021). WRIME: A New Dataset for Emotional Intensity Estimation with Subjective and Objective Annotations. In Proceedings of the 2021 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, pages 2095–2104. https://aclanthology.org/2021.naacl-main.169/

[3] Killick, R., Fearnhead, P., & Eckley, I. A. (2012). Optimal Detection of Changepoints With a Linear Computational Cost. Journal of the American Statistical Association, 107(500), 1590-1598. https://doi.org/10.1080/01621459.2012.737745

ソースコード 


# プログラム名: LUKE日本語感情分析プログラム
# 特徴技術名: LUKE (Language Understanding with Knowledge-based Embeddings)
# 出典: Yamada, I., Asai, A., Shindo, H., Takeda, H., & Matsumoto, Y. (2020). LUKE: Deep Contextualized Entity Representations with Entity-aware Self-attention. In Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP), pages 6442–6454.
# 特徴機能: エンティティ認識型自己注意機構により、文中の単語とエンティティを独立したトークンとして扱い、それぞれの文脈を考慮した表現を出力する機能
# 学習済みモデル: Mizuiro-sakura/luke-japanese-large-sentiment-analysis-wrime - LUKEの日本語版をWRIMEデータセットで8感情分類にファインチューニングしたモデル
# 方式設計:
#   関連利用技術: Transformers（Hugging Face）、PyTorch、NumPy、matplotlib、japanize-matplotlib、ruptures
#   入力と出力: 入力: テキストファイル（tkinterでファイル選択）、出力: 感情分析結果をprint()で表示、matplotlibで感情変化グラフ表示、終了時result.txt保存
#   処理手順: テキスト読み込み→文章分割→感情分類→スコア計算→変化点検出→グラフ生成
#   前処理、後処理: テキスト正規化、トークン化、ソフトマックス確率変換
#   追加処理: 閾値処理による文章抽出、感情変化点検出処理 - rupturesライブラリによる統計的変化点検出
#   調整を必要とする設定値: 閾値設定（0.0-1.0）
# 将来方策: 変化点検出の感度を文章全体の感情変化の分散から動的に決定
# その他の重要事項: 8感情順番固定（喜び0、悲しみ1、期待2、驚き3、怒り4、恐れ5、嫌悪6、信頼7）、グラフは各文章の最大感情のみ表示
# 前準備: pip install -U torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu126
# pip install transformers matplotlib japanize-matplotlib numpy ruptures

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch
import numpy as np
import tkinter as tk
from tkinter import filedialog
import matplotlib.pyplot as plt
import japanize_matplotlib
import ruptures as rpt
import re
from collections import Counter
import sys

# matplotlibの設定
plt.rcParams['figure.figsize'] = (20, 12)
plt.rcParams['font.size'] = 12
plt.rcParams['axes.grid'] = True
plt.rcParams['grid.alpha'] = 0.3

# 設定値
MAX_SEQ_LENGTH = 512  # トークナイザーの最大シーケンス長
BATCH_SIZE = 8        # バッチ処理のサイズ

# 感情の色定義（RGB形式、0-1の範囲）- カラーユニバーサルデザイン対応（CANONICAL順）
EMOTION_COLORS = [
    (0.9, 0.2, 0.2),    # 明るい赤（喜び）
    (0.2, 0.4, 0.8),    # 明るい青（悲しみ）
    (0.2, 0.8, 0.2),    # 明るい緑（期待）
    (0.0, 0.8, 0.8),    # シアン（驚き）
    (0.8, 0.0, 0.0),    # 濃い赤（怒り）
    (0.6, 0.2, 0.8),    # 紫（恐れ）
    (0.8, 0.6, 0.0),    # オレンジ（嫌悪）
    (0.3, 0.6, 1.0)     # 水色（信頼）
]

print('=' * 60)
print('LUKE日本語感情分析プログラム')
print('=' * 60)
print('\n【概要】')
print('本プログラムはLUKEモデルを使用してテキストの感情を8種類に分類する')
print('文章ごとに感情を分析し、感情の変化点を統計的に検出する')
print('\n【使用方法】')
print('1. テキストファイルを選択する')
print('2. 閾値を設定する（0.0-1.0、デフォルト: 0.1）')
print('3. 分析結果が表示される')
print('4. グラフウィンドウを閉じるとプログラムを終了する')
print('\n【出力ファイル】')
print('- emotion_graph.png: 感情変化グラフ')
print('- result.txt: 詳細な分析結果')
print('=' * 60 + '\n')

# GPU/CPU自動選択
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
print(f'使用デバイス: {device}')

# モデルとトークナイザーの読み込み
print('LUKEモデルを読み込み中...')
try:
    tokenizer = AutoTokenizer.from_pretrained('Mizuiro-sakura/luke-japanese-large-sentiment-analysis-wrime')
    model = AutoModelForSequenceClassification.from_pretrained('Mizuiro-sakura/luke-japanese-large-sentiment-analysis-wrime')
    model = model.to(device)
    model.eval()  # 評価モードに設定
    print('モデル読み込み完了\n')
except Exception as e:
    print(f'モデルの読み込みに失敗しました: {e}')
    sys.exit(1)

# ラベル動的取得と写像の初期化（CANONICAL順に統一）
CANONICAL_LABELS = ['喜び', '悲しみ', '期待', '驚き', '怒り', '恐れ', '嫌悪', '信頼']

# 英日エイリアス
LABEL_ALIAS = {
    'joy': '喜び', '喜び': '喜び',
    'sadness': '悲しみ', '悲しみ': '悲しみ',
    'anticipation': '期待', 'expectation': '期待', '期待': '期待',
    'surprise': '驚き', '驚き': '驚き',
    'anger': '怒り', '怒り': '怒り',
    'fear': '恐れ', '恐れ': '恐れ',
    'disgust': '嫌悪', '嫌悪': '嫌悪',
    'trust': '信頼', '信頼': '信頼',
}

def _normalize_label(s: str) -> str:
    s = str(s).strip()
    ascii_only = all(ord(ch) < 128 for ch in s)
    return s.lower() if ascii_only else s

try:
    id2label = model.config.id2label
except Exception as e:
    print(f'警告: id2labelを取得できなかったため暫定対応を行う: {e}')
    id2label = {i: CANONICAL_LABELS[i] for i in range(len(CANONICAL_LABELS))}

# キー整列（intキー/数字文字列キーを考慮）
_keys = list(id2label.keys())
if all(isinstance(k, int) for k in _keys):
    index_keys = sorted(_keys)
elif all(isinstance(k, str) and k.isdigit() for k in _keys):
    index_keys = sorted(_keys, key=lambda k: int(k))
else:
    try:
        index_keys = sorted(_keys, key=lambda k: int(k))
    except Exception:
        index_keys = sorted(_keys, key=lambda k: str(k))

model_labels_raw = [id2label[k] for k in index_keys]

canon_label_to_idx = {lab: i for i, lab in enumerate(CANONICAL_LABELS)}
model_idx_to_canon_idx = []
unknown_labels = []

for i, raw in enumerate(model_labels_raw):
    key = _normalize_label(raw)
    if key not in LABEL_ALIAS:
        unknown_labels.append(str(raw))
        # 警告のみで続行。暫定として位置対応で割当
        mapped_idx = i if i < len(CANONICAL_LABELS) else (len(CANONICAL_LABELS) - 1)
    else:
        canon = LABEL_ALIAS[key]
        mapped_idx = canon_label_to_idx[canon]
    model_idx_to_canon_idx.append(mapped_idx)

# 逆写像（固定順→モデル順）
canon_idx_to_model_idx = [None] * len(CANONICAL_LABELS)
for m_idx, c_idx in enumerate(model_idx_to_canon_idx):
    if 0 <= c_idx < len(CANONICAL_LABELS) and (canon_idx_to_model_idx[c_idx] is None):
        canon_idx_to_model_idx[c_idx] = m_idx
# 未割当があればフォールバックで穴埋め
for j in range(len(CANONICAL_LABELS)):
    if canon_idx_to_model_idx[j] is None:
        canon_idx_to_model_idx[j] = j if j < len(model_labels_raw) else (len(model_labels_raw) - 1)

if unknown_labels:
    print(f'警告: 未知のラベルが検出されたため暫定写像で続行する: {unknown_labels}')

# 以降の表示用ラベル（固定順）
emotion_labels = CANONICAL_LABELS

# ファイル選択
root = tk.Tk()
root.withdraw()
file_path = filedialog.askopenfilename(title='テキストファイルを選択', filetypes=[('Text files', '*.txt')])
if not file_path:
    print('ファイルが選択されていない')
    sys.exit(0)

# テキスト読み込み
try:
    with open(file_path, 'r', encoding='utf-8') as f:
        text = f.read()
    print(f'ファイル読み込み完了: {file_path}')
except Exception as e:
    print(f'ファイルの読み込みに失敗しました: {e}')
    sys.exit(1)

# 文章分割（複数の文末記号に対応）
sentences = re.split('[。！？!?]+', text)
sentences = [s.strip() for s in sentences if s.strip()]
print(f'文章数: {len(sentences)}')

if len(sentences) == 0:
    print('分析可能な文章が見つからない')
    sys.exit(0)

# 閾値設定（デフォルト0.1）
threshold_input = input('\n閾値を入力（0.0-1.0、未入力の場合は0.1）: ').strip()
try:
    threshold = float(threshold_input) if threshold_input else 0.1
    threshold = max(0.0, min(1.0, threshold))  # クランプ処理
    if threshold_input and (float(threshold_input) < 0.0 or float(threshold_input) > 1.0):
        print(f'閾値を{threshold}に調整した')
except ValueError:
    threshold = 0.1
    print('無効な入力のため、閾値を0.1に設定した')

print(f'\n感情分析を開始する（閾値: {threshold}）')
print('-' * 60)

# 感情分析実行（バッチ処理対応）
results = []       # 各文章の確率ベクトル（モデル順）
max_emotions = []  # 各文章の最大感情のインデックス（CANONICAL順）
max_scores = []    # 各文章の最大感情のスコア

# バッチ処理
for batch_start in range(0, len(sentences), BATCH_SIZE):
    batch_end = min(batch_start + BATCH_SIZE, len(sentences))
    batch_sentences = sentences[batch_start:batch_end]

    # バッチトークン化
    tokens = tokenizer(batch_sentences, truncation=True, max_length=MAX_SEQ_LENGTH,
                       padding=True, return_tensors='pt')
    tokens = {k: v.to(device) for k, v in tokens.items()}

    # バッチ推論
    with torch.no_grad():
        outputs = model(**tokens)
        batch_scores = torch.softmax(outputs.logits, dim=-1).cpu().numpy()

    # 各文章の結果
    for i, (sentence, scores) in enumerate(zip(batch_sentences, batch_scores)):
        sentence_idx = batch_start + i
        results.append(scores)  # モデル順ベクトルを保持

        # 最大感情（モデル順→固定順に写像）
        model_max_idx = int(np.argmax(scores))
        max_score = float(scores[model_max_idx])
        canonical_idx = model_idx_to_canon_idx[model_max_idx]
        max_emotions.append(canonical_idx)
        max_scores.append(max_score)

        # 結果表示
        print(f'\n文章{sentence_idx + 1}: {sentence}')

        # 閾値以上を明示（固定順で表示）
        scores_by_canon = [float(scores[canon_idx_to_model_idx[j]]) for j in range(len(emotion_labels))]
        threshold_exceeded = []
        for j, (emotion, score) in enumerate(zip(emotion_labels, scores_by_canon)):
            if score >= threshold:
                print(f'  {emotion}: {score:.3f} ★')
                threshold_exceeded.append(f'{emotion}({score:.3f})')
            else:
                print(f'  {emotion}: {score:.3f}')

        if threshold_exceeded:
            print(f'  → 閾値{threshold}以上: {", ".join(threshold_exceeded)}')

def detect_emotion_change_points_statistical(signal, max_scores):
    """PELTアルゴリズム（model="l2"）による変化点検出。
    入力信号は各文章の8次元確率ベクトル（results）である。
    max_scoresは説明用統計出力に利用する。"""
    if len(max_scores) < 3:
        return []

    # signal: shape = (n_samples, 8) を前提
    print(f'信号の形状: {signal.shape}')
    print(f'最初の文章の8感情: {signal[0]}')

    n_samples = len(max_scores)
    # ペナルティ設定：2*log(n_samples) を8で割り、8次元信号に対するスケール調整とする
    penalty = (2 * np.log(n_samples)) / 8

    print('\n変化点検出パラメータ:')
    print(f'  文章数: {n_samples}')
    print(f'  ペナルティ設定: 2*log({n_samples})/8 = {penalty:.3f}')

    print('\n文章ごとの最大感情スコア:')
    for i, score in enumerate(max_scores):
        print(f'  文章{i+1}: {score:.3f}')

    print('\n隣接文章間の最大スコア差分:')
    for i in range(len(max_scores) - 1):
        change = abs(max_scores[i+1] - max_scores[i])
        print(f'  文章{i+1}→{i+2}: {change:.3f}')

    if len(max_scores) > 1:
        max_change = max(abs(max_scores[i+1] - max_scores[i]) for i in range(len(max_scores) - 1))
        print(f'\n最大スコア差分: {max_change:.3f}')
        print(f'使用ペナルティ値: {penalty:.3f}')

    change_points = []
    try:
        algo = rpt.Pelt(model="l2").fit(signal)
        change_points_raw = algo.predict(pen=penalty)
        change_points = [cp for cp in change_points_raw[:-1]]

        print(f'  検出された変化点数: {len(change_points)}個')
        if len(change_points) > 0 and len(change_points) <= 30:
            print(f'  変化点位置（文章番号）: {change_points}')
    except Exception as e:
        print(f'  変化点検出エラー: {e}')

    return change_points


print('\n' + '=' * 60)
print('感情変化の統計分析')
print('=' * 60)

# 感情変化点の検出
signal = np.array(results)  # モデル順の生配列
change_points = detect_emotion_change_points_statistical(signal, max_scores)

# 基本統計量の表示
print(f'\n【感情スコアの統計】')
print(f'  平均スコア: {np.mean(max_scores):.3f}')
print(f'  標準偏差: {np.std(max_scores):.3f}')
print(f'  最小スコア: {np.min(max_scores):.3f}')
print(f'  最大スコア: {np.max(max_scores):.3f}')

# 最頻感情の計算（固定順インデックス）
emotion_counts = Counter(max_emotions)
max_count = max(emotion_counts.values()) if emotion_counts else 0
most_common_emotions = [emotion_labels[i] for i in range(len(emotion_labels))
                        if emotion_counts.get(i, 0) == max_count and max_count > 0]

print(f'\n【最頻感情】')
if len(most_common_emotions) == 1:
    print(f'  {most_common_emotions[0]} ({max_count}回)')
else:
    if max_count > 0:
        print(f'  {", ".join(most_common_emotions)} (各{max_count}回、同数)')
    else:
        print('  なし')

# 感情の分布を表示（0回も表示、固定順）
print(f'\n【感情の分布】')
for i, lab in enumerate(emotion_labels):
    count = emotion_counts.get(i, 0)
    percentage = (count / len(sentences)) * 100
    print(f'  {lab}: {count}回 ({percentage:.1f}%)')

# matplotlibでグラフ生成
print('\n' + '=' * 60)
print('感情変化グラフを生成している...')

fig, ax = plt.subplots(figsize=(20, 12))

# 最大感情の折れ線グラフを描画
x_values = list(range(1, len(sentences) + 1))

# 各区間を異なる色で描画（CANONICAL順インデックスに基づく）
for i in range(len(sentences)):
    if i < len(sentences) - 1:
        ax.plot([x_values[i], x_values[i+1]],
                [max_scores[i], max_scores[i+1]],
                color=EMOTION_COLORS[max_emotions[i]],
                linewidth=2.5,
                marker='o',
                markersize=8,
                markerfacecolor=EMOTION_COLORS[max_emotions[i]],
                markeredgecolor='white',
                markeredgewidth=1.5)
    else:
        # 最後の点
        ax.plot(x_values[i], max_scores[i],
                marker='o',
                markersize=8,
                color=EMOTION_COLORS[max_emotions[i]],
                markerfacecolor=EMOTION_COLORS[max_emotions[i]],
                markeredgecolor='white',
                markeredgewidth=1.5)

# 変化点を描画
if len(change_points) > 0:
    for cp in change_points:
        ax.axvline(x=cp, color='gray', linestyle='--', linewidth=2.5, alpha=0.7)
        ax.text(cp, ax.get_ylim()[1] * 0.95, f'変化点{cp}',
                color='gray', fontsize=10, ha='center', fontweight='bold')
    print(f'グラフに{len(change_points)}個の変化点を描画した')

# 感情ラベルを点の近くに表示（文章数が少ない場合）
if len(sentences) <= 30:
    for i in range(len(sentences)):
        ax.annotate(emotion_labels[max_emotions[i]],
                    (x_values[i], max_scores[i]),
                    textcoords="offset points",
                    xytext=(0, 10),
                    ha='center',
                    fontsize=9,
                    color=EMOTION_COLORS[max_emotions[i]])

# 軸の設定
ax.set_xlabel('文章番号', fontsize=14)
ax.set_ylabel('感情スコア', fontsize=14)
ax.set_title('感情変化グラフ - 文章ごとの最大感情', fontsize=18, pad=20)

# Y軸の範囲を0-1に設定
ax.set_ylim(0, 1)

# X軸の目盛り設定
if len(sentences) <= 50:
    ax.set_xticks(range(1, len(sentences) + 1, max(1, len(sentences) // 20)))
else:
    ax.set_xticks(range(1, len(sentences) + 1, max(1, len(sentences) // 10)))

# グリッドの設定
ax.grid(True, alpha=0.3, linestyle='-', linewidth=0.5)

# 凡例の作成（CANONICAL順）
from matplotlib.patches import Patch
legend_elements = [Patch(facecolor=EMOTION_COLORS[i], label=f'{emotion_labels[i]}')
                   for i in range(len(emotion_labels))]
ax.legend(handles=legend_elements, loc='upper right', fontsize=11,
          framealpha=0.9, ncol=2)

# 統計情報を表示
stats_text = f'文章数: {len(sentences)}\n'
stats_text += f'変化点数: {len(change_points)}\n'
stats_text += f'平均スコア: {np.mean(max_scores):.3f}\n'
stats_text += f'標準偏差: {np.std(max_scores):.3f}'

if len(most_common_emotions) == 1:
    stats_text += f'\n最頻感情: {most_common_emotions[0]}'
else:
    if most_common_emotions:
        stats_text += f'\n最頻感情: {", ".join(most_common_emotions)}'
    else:
        stats_text += '\n最頻感情: なし'

ax.text(0.02, 0.98, stats_text, transform=ax.transAxes,
        fontsize=10, verticalalignment='top',
        bbox=dict(boxstyle='round', facecolor='white', alpha=0.8))

# レイアウトの調整
plt.tight_layout()

# グラフの保存
try:
    plt.savefig('emotion_graph.png', dpi=150, bbox_inches='tight')
    print('emotion_graph.pngに保存した')
except Exception as e:
    print(f'グラフの保存に失敗した: {e}')

# グラフの表示
plt.show()

# 結果保存
save_success = False
try:
    with open('result.txt', 'w', encoding='utf-8') as f:
        f.write('LUKE日本語感情分析結果\n')
        f.write('=' * 60 + '\n')
        f.write(f'分析ファイル: {file_path}\n')
        f.write(f'文章数: {len(sentences)}\n')
        f.write(f'閾値: {threshold}\n')
        f.write(f'検出された変化点数: {len(change_points)}\n')

        if len(change_points) > 0 and len(change_points) <= 30:
            f.write(f'変化点位置（文章番号）: {change_points}\n')

        f.write(f'\n【統計情報】\n')
        f.write(f'平均感情スコア: {np.mean(max_scores):.3f}\n')
        f.write(f'標準偏差: {np.std(max_scores):.3f}\n')
        f.write(f'最小スコア: {np.min(max_scores):.3f}\n')
        f.write(f'最大スコア: {np.max(max_scores):.3f}\n')

        if len(most_common_emotions) == 1:
            f.write(f'最頻感情: {most_common_emotions[0]}\n')
        else:
            if most_common_emotions:
                f.write(f'最頻感情: {", ".join(most_common_emotions)}（同数）\n')
            else:
                f.write('最頻感情: なし\n')

        f.write(f'\n【感情の分布】\n')
        for i, lab in enumerate(emotion_labels):
            count = emotion_counts.get(i, 0)
            percentage = (count / len(sentences)) * 100
            f.write(f'{lab}: {count}回 ({percentage:.1f}%)\n')

        f.write(f'\n【詳細な分析結果】\n')
        f.write('=' * 60 + '\n')

        for i, (sentence, scores) in enumerate(zip(sentences, results)):
            f.write(f'\n文章{i+1}: {sentence}\n')
            scores_by_canon = [float(scores[canon_idx_to_model_idx[j]]) for j in range(len(emotion_labels))]
            for emotion, score in zip(emotion_labels, scores_by_canon):
                if score >= threshold:
                    f.write(f'  {emotion}: {score:.3f} ★\n')
                else:
                    f.write(f'  {emotion}: {score:.3f}\n')

    save_success = True
    print('result.txtに保存した')
except Exception as e:
    print(f'結果ファイルの保存に失敗した: {e}')

print('\n' + '=' * 60)
if save_success:
    print('プログラムを正常終了する')
    print('出力ファイル:')
    print('  - emotion_graph.png (感情変化グラフ)')
    print('  - result.txt (詳細な分析結果)')
else:
    print('結果ファイルの保存に失敗したが、分析は完了した')
print('=' * 60)

実験・研究スキルの基礎：Windows で学ぶ感情分析実験

1. 実験・研究のスキル構成要素

実験や研究を行うには、以下の5つの構成要素を理解する必要がある。

1.1 実験用データ

このプログラムでは日本語テキストファイルが実験用データである。小説、日記、SNS投稿、ニュース記事など、様々な種類のテキストを分析対象とすることができる。

1.2 実験計画

何を明らかにするために実験を行うのかを定める。

計画例：

1.3 プログラム

実験を実施するためのツールである。このプログラムはHugging FaceのTransformersライブラリとLUKEモデル（Mizuiro-sakura/luke-japanese-large-sentiment-analysis-wrime）を使用している。

1.4 プログラムの機能

このプログラムは閾値パラメータで感情検出の表示を制御する。

入力パラメータ：

出力情報：

閾値の動作：

1.5 検証（結果の確認と考察）

プログラムの実行結果を観察し、パラメータの影響を考察する。

基本認識：

観察のポイント：

2. 間違いの原因と対処方法

2.1 プログラムのミス（人為的エラー）

プログラムがエラーで停止する

ファイル選択ダイアログが表示されない

モデルのダウンロードに時間がかかる

文字化けが発生する

2.2 期待と異なる結果が出る場合

閾値を変えても強調表示される感情が変化しない

文章の内容と検出された感情が一致しない

全ての文章で同じ感情が最大になる

変化点が検出されない

グラフが表示されない

3. 実験レポートのサンプル

閾値設定と感情検出精度の関係分析

実験目的：

テキスト内の主要な感情を漏れなく検出しながら、ノイズとなる弱い感情を除外するための閾値を見つける。

実験計画：

同一テキストに対して閾値を変化させ、検出される感情の数と内容を記録する。

実験方法：

プログラムを実行し、閾値を変化させながら以下の基準で評価する：

実験結果：

閾値 検出感情数（平均） 主要感情一致率 ノイズ率 総合評価
xxxx x x% x% x
xxxx x x% x% x
xxxx x x% x% x
xxxx x x% x% x

考察：

結論：

（例文）本実験のテキストにおいては、閾値xxxxが主要感情の検出とノイズ除去のバランスが取れた設定であった。感情の細かな変化を分析したい場合はxxxxを、明確な感情傾向のみを把握したい場合はxxxxが適切である。テキストの性質や分析目的に応じて閾値を調整する必要性が確認できた。