Discovering Conceptual Metaphors Across Topics and Media Types

人間の思考は、しばしば隠れた比較の足場に依存している。私たちは、よく知っている単純で物理的な経験に複雑で抽象的な概念を投影することで、それらを理解している。これが「概念メタファー理論」の核心である。この枠組みは、「税金を支払う」や「政治キャンペーン」といった事柄について語る際、単に華やかな言葉を使っているのではなく、無意識のうちに物理的な物体、旅、あるいは戦いの論理を借りていることを示唆している。もし話し手が、税金を「背負わなければならない重い負担」と表現すれば、その問題は物理的な重みとして枠付けられ、自然とそれを「下ろしたい」という欲求へとつながる。しかし、もし同じ税金を「コミュニティへの投資」と表現すれば、その論理は成長と将来の還元という全く異なるものへとシフトする。これらの根底にある精神的な地図は、人々がどのように推論し、議論し、現実を認識するかを形作っているが、日常的な言葉の表面下に埋もれているため、直接見ることは難しい。

コロラド大学ボルダー校の研究者たちは、人間の介入なしに数千もの話し言葉や書き言葉を分析することで、これら目に見えない地図を解明する新しい手法を開発した。研究チームは、人々に意味を尋ねる代わりに、膨大なテキストのコレクションを読み込み、特定の言葉がどのように比喩的に使われているかを特定し、それらが共有するより深い論理に基づいてグループ化するコンピュータ・システムを構築した。まず、このシステムは、政治家が権力を「振るう（wielding）」、あるいは経済が「崩壊する（crashing）」といった、動詞が非リテラルな方法で使用されている単語のペアを見つけ出す。次に、大規模言語モデルを用いて、それらのフレーズが問題、原因、および解決策について何を暗示しているかを説明させ、比喩を話し手の視点を明確にした記述へと実質的に翻訳する。最後に、システムはこれらの解釈をクラスターに分類するが、そこには厳格なルールがある。すなわち、たとえ同じトピックについて語っていたとしても、それらが根本的に異なる物理的動作を描写している場合は、メタファーを一緒にグループ化することを拒否するというものである。これにより、結果としてのグループ分けは、単なる言葉選びの表面的な類似性ではなく、人々がどのように考えているかという真の類似性を反映したものとなる。

研究者がこの手法を大量の政治系ポッドキャストのトランスクリプトに適用したところ、左派寄りの話し手と右派寄りの話し手が世界をどのように枠付けているかについて、明確なパターンが見出された。分析の結果、左派寄りのホストは、情報、メディアの物語、そして政治的権力を「武器」として概念化することが多いことが明らかになった。彼らは、これらの力が互いにどのように使われるかを説明するために、「押しつぶす（crush）」、「振るう（wield）」、「奪う（seize）」といった動詞を頻繁に使用する。対照的に、右派寄りの情報源は、経済問題を垂直的な変化にさらされるシステムとして論じる傾向がはるかに高く、物事が上昇したり下降したりすること、あるいは経済が構築されたり破壊されたりできる構造であることを示唆する言葉を使用していた。また、この研究は、左派寄りの話し手が政治的暴力を比喩的な言語を用いて語る傾向が強い一方で、右派寄りの話し手は経済的なテーマに重点を置いていることを示した。

研究チームは、既知の思考パターンを回収できるかどうかを確認するために、移民、銃規制、中絶を含む他のトピックでもこの手法をテストした。移民のデータにおいて、システムは、国境が「氾濫する（flooding）」ことや資源を「枯渇させる（draining）」ことに関するフレーズをグループ化することで、移民を寄生虫や自然災害として捉えるという、長年論じられてきたメタファーを正確に特定した。また、右派寄りの情報源は、移民を能動的な侵略や戦われている危機として枠付けることが多い一方で、左派寄りの情報源は同じ出来事を記述するために異なるメタファーを使用していることも発見した。研究者は、これらのグループ分けがランダムではないことを確認した。メタファーのクラスターの頻度を用いてポッドキャストのエピソードの政治的偏向を予測させたところ、システムは左派と右派の情報源を正確に区別することができた。このことは、人々がどのようなメタファーを選択するかということが、彼らの根底にあるイデオロギーの枠組みを示す信頼できるシグナルであることを示唆している。

この研究は、メディアの偏向という問題を解決したとか、存在するすべてのメタファーを見つけ出したと主張しているわけではない。研究者たちは、自動化されたツールには、リテラルな言葉をメタファーと誤認したり、フレーズを誤ったカテゴリーに割り当てたりするといった間違いが起こり得ることを認めている。また、今回のポッドキャストの分析は特定のチャンネルと限定された期間を対象としているため、その知見がすべてのメディア形式やすべての話し手に当てはまるわけではないとも述べている。しかし、結果は、非教師あり機械学習を用いて、公的な言説を導く概念的な構造をマッピングすることが可能であることを示している。異なるグループが、物理的な物体、力、あるいは旅の論理をどのように用いて抽象的な問題を枠付けているかを明らかにすることで、このアプローチは、言語がいかにして私たちの政治的現実を形作っているかという、微細でしばしば無意識的な方法を理解するための新たな道を提供している。