Nigerian Salafi Discourse Corpus (NSDC): Construction, Methods, and Use

言語の使用方法を研究するにあたり、研究者たちは長い間、2つの異なるツールに頼ってきました。一つは、学者が単語の一つひとつを精査して、その深い意味や社会的文脈を理解しようとする、少数のテキストに対する精読です。もう一つは、コンピュータが数百万のページをスキャンして、人間の目では見逃してしまう隠れたパターンを見つけ出す、膨大な単語の計数です。数十年の間、これら2つのアプローチはしばしば別々の世界で機能していました。しかし、現在、これらを組み合わせる研究分野が成長しており、データの膨大な量を用いて精読を導き、精読を用いて数字に意味を持たせるという手法が取られています。このアプローチは、信仰が単なる個人的な思考ではなく、街頭やモスク、そしてますますソーシャルメディア上で繰り広げられる公開討論である宗教を研究する際に、特に強力な力を発揮します。ナイジェリアは、広大で多様なムスリム人口を抱える国であり、インターネットは異なるグループが自らのアイデンティティ、権威、そして社会における地位を議論する主要な舞台となっています。これらの議論を理解するためには、個々の声のニュアンスを失うことなく、会話の規模そのものを捉える方法が必要です。

これこそが、イバダン大学の研究チームが取り組もうとしたことです。彼らは、ナイジェリアにおけるサラフィー主義（スンニ派イスラム教における、特定の、しばしば論争を呼ぶ運動）がどのように議論されているかを追跡するために、Facebook投稿の巨大なデジタル・ライブラリを構築しました。彼らは単にランダムな投稿を集めたのではありません。彼らは「ナイジェリア・サラフィー言説コーパス」と呼ばれる、注意深く整理されたアーカイブを構築したのです。このコレクションには、2015年から2025年までの10年間にわたって、フォロワー数の多いページやプロフィールから公開された、約5,800件の投稿が含まれています。これらの投稿に含まれるテキストの量は、250万語近くに及びます。研究者たちは、Meta社の提供する正式なリサーチ・インターフェースを使用してこのデータを収集しており、公的な人物や組織による公開コンテンツのみにアクセスすることを保証しています。目的は、ナイジェリアの文脈において、サラフィー派がどのように描かれ、彼らがどのように自らを表現し、そしてスーフィーやシーア派のムスリムといった他のグループに対してどのように反論しているのかを示す、明確で検証可能な記録を作成することでした。

このライブラリを構築するために、研究者たちは大きな課題に直面しました。それは、Facebookからの生データが乱雑であることです。そこには、コンピュータが単語を数えようとする際に混乱を招くような、壊れたフォーマット、重複した投稿、絵文字、外国語のスクリプト、そしてリンクが含まれています。これを解決するために、彼らは「サリ・ハ（Salih）」と名付けた特化した人工知能アシスタントを採用しました。このツールは、単に答えを推測するのではなく、厳格な編集者として機能しました。それは、意味のある言葉を残しながら、絵文字やURLなどのノイズを取り除くという、厳格な一連のルールに従ってテキストをクリーニングしました。また、誤って投稿が削除されていないか、最終的な単語数が正確であるかを確認するために、あらゆる段階で自らの作業をチェックしました。その結果、他の研究者が分析できる、クリーンで整理されたテキストのコレクションが得られました。このプロセスは完全に透明であるように設計されており、つまり、他の科学者が同じ手順を踏めば、全く同じ結果を得られるということであり、これは科学的な信頼における重要な基準です。

テキストがクリーンになった後、研究者たちはすべての単語に対して3つの層の詳細な情報を追加しました。第1の層は、単にその単語が名詞、動詞、固有名詞といったどのような種類の単語であるかを識別するものです。第2の層は、「宗教的権威」、「紛争」、「礼拝の実践」といった特定のトピックに単語をグループ化するものです。第3の層は、最も複雑なもので、文章全体の目的を検討するものです。その文章が、あるグループを正当化しようとしているのか、相手を攻撃しようとしているのか、行動を呼びかけているのか、あるいは誰かが言ったことを報告しているのかをコーディングしました。このコーディングは「言説歴史的アプローチ」と呼ばれる手法に基づいており、これは研究者が何を言っているかだけでなく、なぜそれが言われているのか、そしてどのような効果を意図しているのかを理解するのに役立ちます。研究者たちは、コンピュータが重労働を行った一方で、システムは完璧ではなかったことも注意深く記録しました。彼らは、コンピュータが「行動への呼びかけ」のような特定の種類の文章を過剰に特定してしまうことがあることを見出し、将来的にこれらのルールを洗練させる計画です。

彼らが明らかにしたデータは、活気に満ち、しばしば熱を帯びた会話を明らかにしています。研究者たちは、投稿の量が10年間にわたって変動しており、2017年頃に活動のピークがあり、2024年にも再び上昇が見られたことを発見しました。議論の大部分は、グループの名前を挙げ、定義することに関わっています。データは、「ムスリム」という用語が大多数の投稿においてデフォルトのアイデンティティとして使用されている一方で、「サラフィー」、「スーフィー」、「シーア」、「ワッハーブ」といった特定のラベルが、グループ間の境界線を引くために使用されていることを示しています。分析によれば、「ワッハーブ」というラベルは他者を批判するための否定的な用語として頻繁に使用される一方、「サラフィー」は、そのグループ自身が自らを説明するために頻繁に使用されています。研究者たちは、宗教的権威を議論する際に用いられる言語が強烈であり、議論を裏付けるために学者や宗教テキストの引用に大きく依存していることも観察しました。興味深いことに、データは宗教的な経典が引用されている一方で、それが唯一の道具ではないことも示しています。法、政治、社会秩序に関する議論も同様に一般的であり、この議論がより広いナイジェリアの国家や社会と深く結びついていることを示唆しています。

最も顕著な発見の一つは、これらの投稿の長さが時間の経過とともにどのように変化したかです。近年、投稿数は比較的安定していますが、各投稿に含まれるテキストの量は減少しています。これは、議論の性質が、より短く圧縮されたメッセージへと移行していることを示唆しており、おそらく現代のソーシャルメディアの速いペースを反映しています。研究者たちはまた、会話が神学についてだけではなく、治安や紛争と深く絡み合っていることにも注目しました。データは、特にナイジェリア北部の反乱の文脈において、宗教グループが暴力とどのように結び付けられ、あるいは切り離されているかを捉えています。研究者たちは「ボコ・ハラム（Boko Haram）」を一つの単位として分析に保持することで、その名前の中にある「ハラム（haram/禁じられた）」という単語が、宗教的な規則に関連するコードを誤って起動させないようにし、治安に関する議論を神学的な議論とは明確に区別しました。

この研究の価値は、オンライン上の議論の混沌とした流れを、誰もが研究できる構造化されたリソースに変える能力にあります。これにより、研究者は逸話を超えて、数百万の言葉がアフリカにおける宗教的アイデンティティを形成するためにどのように実際に使われているかというパターンを見ることができます。このコーパスは他の学者にも公開されており、彼らはステレオタイプがどのように形成されるかから、宗教的な言語において政治的忠誠心がどのように表明されるかまで、あらゆることを調査するために活用できます。研究者たちは、コンピュータがカウントを行った一方で、これらのパターンの解釈には人間の洞察が必要であることを強調しています。彼らは領域の地図を提供しましたが、これらの議論のより深い意味を理解するための旅はまだ始まったばかりです。このプロジェクトは、注意深い設計と透明性のある手法があれば、人工知能が、コミュニティが自らをどのように定義し、世界における自らの場所をどのように定めるかという複雑な方法を理解する助けになることを証明しています。