文豪の文章は数字で見分けられるのか～夏目漱石、芥川龍之介、太宰治の文体を比較する

　小説の表紙から作者の名前を消し、本文だけを読んだとき、私たちは誰が書いた作品なのかを見分けられるだろうか。夏目漱石、芥川龍之介、太宰治の作品を読み慣れた人なら、言葉の選び方や文章の調子から、ある程度は見当がつくかもしれない。しかし、その判断を支えているものが何なのかと問われると、説明は意外に難しい。作家の個性という言葉は便利であるものの、それが具体的にどのような言語表現の違いを指しているのか、私たちは必ずしも明確に意識しているわけではないからである。

　夏目漱石の『夢十夜』は「こんな夢を見た。」という短い一文から始まり、芥川龍之介の『羅生門』では、雨の降る京都の荒廃した門の下へと読者が導かれる。一方、太宰治の『走れメロス』は「メロスは激怒した。」という一文によって、物語の始まりから主人公の激しい感情を突きつける。これらの書き出しが与える印象は大きく異なるが、その違いを生み出しているのは言葉の意味だけではなく、文章の長さ、句読点の位置、語順、文末の表現、さらには情報を提示する順序など、普段は意識されにくい文章の組み立て方も関係している。

　もし、こうした特徴を数値に置き換えられるなら、作者の名前を知らなくても書き手を推定できるのではないか。文学作品を数字で調べることには、文章の美しさや作家の才能まで計算によって説明しようとするような違和感もあるが、実際には文章の統計的な特徴から著者を識別する研究が行われており、一定の条件の下では高い判別精度が得られている。そこで考えたいのは、数字によって作家を見分けられるかどうかという問題だけではなく、その数字が文章の何を捉え、反対に何を捉えられないのかという点である。

漱石は短く、太宰は長いという印象を数字で確かめる

　文章の特徴を数値化する最も単純な方法は、句点などで区切られた1文の文字数を調べることであり、その平均を求めれば、比較的短い文を重ねる傾向があるのか、それとも長い文を用いる傾向があるのかを確認できる。もちろん、文章が長いから複雑であるとか、短いから読みやすいということにはならず、平均文字数は文章の外形的な特徴を表す指標の1つにすぎない。それでも、作家について抱いている漠然とした印象を実際に観察できる数値へ置き換えるという点では、検討する価値がある。

　2007年、奈良先端科学技術大学院大学の福岡祐一は、近代日本文学の作家8人による72作品を資料として、文章の著者を統計的に判別する研究を行った。研究では青空文庫の本文から作品名や振り仮名などを除き、各作家について10文、100文、500文という異なる長さの標本をそれぞれ5個ずつ作成しており、夏目漱石、芥川龍之介、太宰治も分析の対象に含まれていた。作品が短く指定された文数に満たない場合には、同じ作家の別の作品をつなぎ合わせる方法も採用されているため、標本は必ずしも単独の作品から構成されているわけではない。

　この研究で報告された作家別の平均総文字数を標本の文数で割り、1文あたりの平均に換算すると、次のようになる。

※2007年の研究で公表された標本の平均総文字数を文数で割り、小数第2位を四捨五入した値。各作家の全作品について求めた平均文長ではなく、文数の異なる標本は必ずしも同じ作品の文章を延長したものではない。

　10文の標本では漱石の平均が27.9字であるのに対し、芥川は39.3字、太宰は41.0字となっており、この条件に限れば漱石の文章が相対的に短いという結果になる。ところが500文の標本では漱石32.4字、芥川32.8字と両者の差が小さくなる一方、太宰は42.2字となり、漱石の約1.30倍の長さを示している。さらに、10文の標本では漱石と芥川の差が11.4字あったのに対し、500文では0.4字になっており、比較する標本によって作家間の距離が大きく変化していることが分かる。

　ただし、この数字から太宰は漱石より長い文章を書く作家だと一般化することはできない。対象となった作品や文章の抽出位置が異なれば平均値も変化する可能性があり、標本ごとのばらつきや作品間の差を調べなければ、観察された違いがどの程度安定したものなのか判断できないからである。今回の表には標本平均の差が示されているものの、作家ごとの平均文長の差について統計的な有意性や信頼区間を検証した結果が示されているわけではなく、数字が異なるという事実と、作家固有の違いが確認されたという判断は区別しなければならない。

　さらに、同じ平均40字の文章であっても、20字程度の短い文と60字程度の長い文を交互に使う場合と、ほとんどの文章が40字前後に集中している場合とでは、読者が感じる文章の調子は異なるだろう。平均値は文章の長さを集約する便利な指標である一方、長文と短文がどのような順序で現れるのか、あるいは文章の長さが場面によってどの程度変化するのかという情報までは示さない。漱石と芥川の平均文長が近いことも、両者の文体全体が似ていることを意味するわけではなく、文体を数字で理解するには、平均値だけでなく分布や変動にも目を向ける必要があるのである。

『坊っちゃん』の語り手が『夢十夜』の夢を見たなら

　数字の背後にある違いを考えるために、漱石自身の作品を比較してみると、著者の識別がそれほど単純な問題ではないことが見えてくる。『坊っちゃん』は主人公が身の回りで起こる出来事を自ら語る作品であり、その文章には日常の話し言葉に近い勢いや、他人の行動を批評するような調子がある。学校生活や人間関係をめぐる出来事が主人公の感情と結び付いて次々に語られるため、読者は物語を外側から眺めるというより、語り手のすぐ近くで話を聞いているような感覚を抱く。

　これに対して『夢十夜』の第一夜では、枕元の女、黒い瞳、真珠貝、月の光といった情景が、夢の内部にいる人物の感覚を通して描かれており、文章が伝えるものは出来事の説明だけではなく、時間がゆっくり流れるような感覚や、現実と非現実の境界が曖昧になる不思議さでもある。『坊っちゃん』に見られる率直で勢いのある語りと比べれば、同じ作家が書いた文章とは思えないほど読者に与える印象が異なるが、それは漱石が作品の性格に応じて語り方そのものを使い分けていたことを示している。

　ここには、文体を数値で比較する際に避けて通れない問題がある。文章には書き手が繰り返し用いる習慣的な表現が現れる一方、作品の主題、登場人物、語り手の立場、表現しようとする世界に応じて意識的に選ばれた書き方も含まれているため、作者が同じでも文章の特徴が変化することは十分に考えられる。逆に、作者が異なっていても、同じような語りの形式や題材を扱っていれば、一部の統計的な特徴が似通う可能性があり、数字の差をそのまま作家の個性とみなすことには慎重でなければならない。

　しかも、文体は作家の生涯を通して固定されているわけではない。2022年に発表された土山玄の研究では、1905年から1916年に発表された漱石の小説23作品について、会話文や書簡文を除いた地の文を分析し、文末表現が執筆活動の時期によって変化していることが示されている。特に文末で用いられる助動詞「た」の出現には増加傾向が認められており、漱石らしい文章というものを1つの数値で表そうとしても、その内部には作品ごとの差だけではなく、作家自身の表現方法の変化まで含まれていることになる。著者の特徴を明らかにするには、複数の作品に共通する習慣と、それぞれの作品に固有の表現、さらに執筆時期による変化を分けて考える必要がある。

芥川の描いた雨の京都と、極楽の蓮池に流れる異なる時間

　芥川龍之介の場合も、作品によって語り方は大きく異なる。『羅生門』では、雨の降る荒廃した京都の風景と、行き場を失った下人の心理が描かれ、門の下に立つ人物の境遇が、周囲の暗い情景と重なりながら物語を形作っていく。しかも語り手は、人物の行動を順番に説明するだけでなく、自らの記述に言及しながら下人の状況を掘り下げており、読者は物語の出来事を追いながら、それを伝える文章の働きにも自然と意識を向けることになる。

　ところが『蜘蛛の糸』では、極楽の蓮池と地獄を舞台に、物語が丁寧な敬体で語られている。冒頭の「ある日の事でございます。」という一文からも分かるように、『羅生門』とは異なる語り口が採用されており、読者に物語を聞かせるような調子は作品の寓話的な性格とも結び付いている。同じ芥川の作品でありながら、一方では荒廃した都市の中に置かれた人間の心理が描かれ、もう一方では極楽と地獄を隔てる空間の中で人間の行動が語られるため、文章の響きが異なるのも不思議ではない。

　もし文末の「である」と「ございます」の出現頻度を調べれば、こうした語り方の違いは数値として表れるだろうが、それを芥川個人の無意識的な文章習慣とみなしてよいかどうかは別の問題である。作品の世界に合わせて選ばれた語り方まで作家固有の特徴として集計してしまえば、分析は作者の違いではなく、作品の形式の違いを識別していることになりかねない。文学的な表現を数値化することは可能であっても、その数値が何に由来するのかを解釈するには、文章の背景にある作品構造まで考慮する必要がある。

　また、青空文庫で公開されている文学作品には、旧字旧仮名遣いと新字新仮名遣いの本文があり、『羅生門』のように複数の表記による本文が用意されている作品も存在する。こうした資料を表記の違いに注意せず比較すると、漢字の使用割合や特定の文字列の出現頻度には、作者の文章習慣だけではなく、底本や表記方法の違いまで混入してしまう。とりわけ文字単位の分析では、表記の統一方法が結果を左右する可能性がある一方、どこまで統一するかによって原文の特徴が失われることもあるため、分析の目的に応じて資料の扱いを決める必要がある。

太宰治の文章は、なぜ読者へ直接語りかけてくるのか

　太宰治の文章についても、平均文字数だけでは捉えきれない特徴がある。『走れメロス』では、主人公の激しい感情が冒頭の短い一文によって提示され、その後も人物の性格や置かれた状況が比較的短い文章を交えながら説明されていくため、読者は物語の背景を十分に理解するよりも先に、すでに動き出している出来事の中へ引き込まれる。文章の長さだけでなく、情報を提示する順序や、主人公の感情を先に示す構成が、物語の勢いを生み出しているのである。

　一方、『富嶽百景』の冒頭では、富士山の頂角について、広重や文晁の描いた富士と実測図を比較するところから話が始まる。描かれた富士の形と実際の山容を対比し、そこへ語り手自身の判断を加えていく文章は、説明や挿入を重ねながら進んでいくが、その途中には「低い。」という極端に短い一文も現れるため、文章の調子が急に変わるように感じられる。長い説明の中に短い判断を挟むことで、語り手の感情や考え方が際立って見える点は、平均文字数だけでは把握しにくい特徴である。

　興味深いのは、『富嶽百景』が数字による比較から始まるにもかかわらず、その数字が単なる地形の説明に終わっていないことである。富士山の実際の形と絵画に描かれた姿との差を考えるうちに、語り手が抱く不満や、富士山を取り巻く既成のイメージに対する距離感が浮かび上がってくる。数値は物語の外側から付け加えられた客観的な説明というより、語り手が世界をどのように見ているかを示す表現の一部になっているのである。

　このように、太宰が短い文章によって物語に勢いを与えることも、長い文章を通して語り手の思考を伝えることもできる作家だったと考えれば、平均文長は作品に現れる文章の長さの傾向を示しているにすぎない。むしろ、長文から短文へ切り替わる位置や、説明の途中に語り手の判断が割り込む仕組みを調べることで、読者に直接語りかけてくるような印象を生み出す表現の一端が見えてくるかもしれない。

　ただし、ここで取り上げた『夢十夜』『羅生門』『蜘蛛の糸』『富嶽百景』などの文章表現に関する比較は、作品を読んだ上での文学的な解釈であり、前述の2007年の研究における平均文長の測定結果から直接導かれたものではない。実際の統計分析の対象作品と、文体の違いを説明するために取り上げた作品は必ずしも一致しておらず、文学的な印象と数理的な観測結果を同じ証拠として扱うことはできない。むしろ、文学作品の読解によって得られた印象が統計的にも確かめられるのかという、新たな問いとして考えることが適切だろう。

作者の名前は、目立たない言葉の組み合わせに隠れている

　文章を読むとき、私たちは名詞や動詞に注意を向けることが多い。何が起こったのか、誰が行動したのか、どのような感情が描かれているのかを理解するためには、具体的な意味を持つ言葉が重要だからである。しかし、文章の著者を統計的に識別する研究では、必ずしも目立つ単語が有力な手がかりになるわけではなく、助詞や助動詞のような、文章の構造を支える言葉の使われ方が重要な役割を果たす場合がある。

　例えば、「は」と「が」は文章の中で異なる働きを持ち、常に置き換えられるものではないが、どのような構文を多く用いるかによって、文章全体における出現頻度にも違いが生じる可能性がある。「の」「に」「を」「で」なども、語句の関係を表すという点では共通しているものの、それぞれの使われ方は異なり、周囲に置かれる単語や品詞との組み合わせによって文章の構造が形作られていく。作家が文章を組み立てる際に、こうした言葉の選択や組み合わせに一定の傾向を持つのであれば、それは主題や登場人物の名前とは比較的独立した著者識別の手がかりになると考えられる。

　2007年の福岡の研究では、助詞や助動詞の使われ方に加え、それらと周囲の品詞との組み合わせを分析し、8人の作家について各5標本、合計40標本を用意した上で、データを5分割して学習と検証を繰り返す方法によって、文章の著者をどこまで判別できるかを調べている。助詞や助動詞は実際の語句として残し、それ以外の語を名詞や動詞などの品詞名に置き換えて、隣り合う2つの要素の組み合わせなどを集計したところ、特定の分析条件では10文の標本で正解率33％、100文で73％、500文で98％という結果が得られた。

　この結果は、文章の長さや特徴の抽出方法によって著者の判別精度が変化することを示しているが、数字の解釈には注意が必要である。8人の作家から無作為に1人を選ぶ場合、正解率の期待値は12.5％であるため、500文で98％という結果は単純な偶然による選択より大幅に良好であるものの、評価に用いられた標本は40個であり、正解率98％は40標本のうち39標本を正しく分類した97.5％を四捨五入した値に相当する。したがって、判別結果が1件変わるだけで正解率は2.5パーセントポイント変動することになり、98％という数字だけから未知の作品にも同程度の精度が得られると考えることはできない。

　さらに重要なのは、この実験が、あらかじめ候補として設定された8人の作家の中から著者を選ぶという条件で行われていることである。実際に作者不明の文章を調べる場合には、候補に含まれない人物が書いた可能性も考えなければならず、そのような文章を対象外として適切に判定できるかどうかは別の検証を必要とする。候補者が8人の場合と100人の場合でも分類の難易度は異なるため、特定の8人を対象として得られた正解率を、あらゆる作家の文章に通用する一般的な識別能力とみなすことはできないのである。

　また、同じ研究では、特徴として使用する言葉の種類や組み合わせを変更すると、500文の標本でも正解率が93％となる条件があり、判別精度は文章量だけで決まるわけではないことも分かる。10文、100文、500文という条件で正解率が改善したことについては、文章量が増えるほど助詞や助動詞の使用傾向を観察する機会が増え、偶然のばらつきに左右されにくくなった可能性が考えられるが、標本の対象作品の構成も変わり得るため、精度の改善を文章量の増加だけに帰することはできない。文章量と判別精度の因果関係を厳密に調べるには、対象作品や抽出方法を統制した反復実験が必要になる。

　2020年に黄善玉と金明哲が発表した研究では、20人の著者による400編の文学作品を用い、慣用的に使われる表現の組み合わせを分析することによって、単純な単語や品詞の出現頻度だけでは捉えきれない文体上の特徴が、著者識別に役立つことが確認されている。ただし、この研究は福岡の研究と同じ98％という正解率を再現したものではなく、異なる資料と分析方法を用いて著者識別に有効な言語的特徴を調べたものである。複数の研究から得られた知見を総合すると、作家の個性は印象的な比喩や独特な語彙だけに存在するのではなく、読書中には意識されにくい小さな言語表現の反復にも現れる可能性があると考えられる。

正解率98％という数字に残された、もう1つの問題

　統計的な著者識別では、どのような特徴を使うかという問題に加え、判別精度をどのように確かめたかという点が重要になる。ある作品の文章を機械に学習させ、その同じ作品から取り出した別の文章について著者を当てさせた場合、作家に共通する表現の習慣ではなく、登場人物の名前や作品固有の語彙を手がかりに判定してしまう可能性がある。こうした条件で高い正解率が得られても、学習に使用しなかった別の作品に対して同程度の精度が得られるとは限らない。

　福岡の研究では、同じ作品から複数の標本を作らないという配慮がなされており、作品固有の表現が学習用と検証用の双方に含まれる問題を避けようとしている。ただし、分析に使用する特徴の一部は40標本全体での出現状況を基準として選ばれており、厳密に未知の文章への判別能力を測定する場合には、特徴の選択も学習側の資料だけで行うことが望ましい。文章の構成や特徴の選択方法によって評価結果が変化する可能性がある以上、研究で報告された正解率は、その実験条件の下で得られた結果として理解する必要がある。

　さらに、日本語の文章から助詞や助動詞を取り出すためには、語句を分割して品詞を判定する処理が必要になるが、近代文学の文章には現代の文章と異なる表記や言い回しも含まれるため、解析の誤りが作家ごとに同じ割合で発生するとは限らない。福岡の研究では解析上の誤りを人手で修正せず、各著者への影響が均等であると仮定しているものの、その仮定がどの程度成り立つかは別途確認する余地がある。2007年の研究は大学に提出された修士論文であり、著者識別の有効性を示した実証的な資料として価値がある一方、そこで得られた数値が別の作品群についても独立に再現されたことまで意味するものではない。

　このような留保を重ねると、文章の著者を数字で見分けること自体が疑わしいようにも感じられるが、統計的な分析では、得られた結果と、その結果を適用できる範囲を区別することが重要なのである。特定の条件で高い正解率が得られたという事実を認めることと、その結果を未知の文章すべてに一般化しないことは矛盾せず、むしろ両者を区別することで、研究が何を明らかにしたのかを正確に理解できるようになる。

数字が見分けたのは作家なのか、それとも作品なのか

　ここまでの研究結果を漱石、芥川、太宰の比較に戻して考えると、もう1つ注意すべき問題が見えてくる。福岡の研究は8人の作家を識別することを目的としており、3人の文体がそれぞれどの程度似ているのか、どの特徴によって互いに区別されているのかを直接検定したものではない。平均文長の表からは3人の標本について長さの違いを確認できるものの、著者判別の正解率98％という数字を使って、漱石と芥川がどの程度似ているとか、太宰だけが特別な文体を持っているといった結論を導くことはできないのである。

　例えば、漱石と芥川の平均文長がほぼ一致したとしても、助詞の使用頻度や文末表現、語句の組み合わせまで同じであるとは限らない。一方、太宰の平均文長が相対的に長かったとしても、その長さが著者を識別する際に特に重要な特徴だったかどうかは、別の分析を行わなければ判断できない。作家ごとの文章の特徴を明らかにすることと、その特徴を組み合わせて著者を判別することは関連しているものの、同じ分析目的ではないのである。

　仮に3人の文体をより厳密に比較するなら、それぞれの作家について複数の作品を選び、文章量や表記方法、地の文と会話文の扱いを可能な範囲で統一した上で、平均文長だけでなく、その分布や助詞・助動詞の使用割合、文末表現などを比較する必要がある。さらに、作品の発表時期や語りの形式による違いも考慮し、同じ作家の作品間で生じる変動と、異なる作家の間で生じる変動を区別できれば、単に平均値を並べるよりも、作家固有の特徴に近づくことができるだろう。

　このとき重要なのは、あらかじめ期待した結論に合う数字を探すのではなく、測定結果が当初の印象と一致しなかった場合にも、その違いを分析の対象にすることである。漱石は簡潔で、芥川は精密で、太宰は感情的だというような印象を先に固定し、それに都合のよい特徴だけを取り上げてしまえば、計量分析の意味は失われる。むしろ、想像していたほど作家間に差がなかったという結果や、同じ作家の作品間の違いの方が大きかったという結果が得られたとしても、それは文学作品の文体を理解する上で重要な発見になり得る。

正解率が高くても、文学の価値を測ったことにはならない

　著者の識別精度が高くなると、文学作品の価値まで数字で説明できるようになったと感じるかもしれないが、文章の書き手を当てることと、その作品が優れているかどうかを評価することは本質的に異なる問題である。ある作家が特定の助詞を多用する傾向にあったとしても、それだけで文章が美しいことにはならず、平均文長が短いから優れた作品になるわけでも、語彙の種類が多いから読者の心を動かせるわけでもない。統計的な著者識別が扱っているのは、基本的には文章に現れた特徴と作家との対応関係であり、作品が読者に与える感情や、そこに込められた思想を直接測定しているわけではないからである。

　また、文章に現れる統計的な特徴が作家の違いと対応していたとしても、その違いがどのような理由によって生じたのかという問題は残る。助詞の使い方に差があった場合、それが作家個人の習慣によるものなのか、作品の主題や語りの形式によるものなのか、あるいは執筆時期や底本の表記によるものなのかを分けて考えなければ、数値が示す意味を取り違えるおそれがある。文章に見られる特徴と著者との間に統計的な対応関係が認められることは、その特徴が生まれた原因まで明らかになったことを意味しないのである。

　それでも、文学作品の計量分析には、読者が感覚的に捉えていた違いを、検証可能な問いへ変えるという価値がある。漱石らしいと感じる文章には、実際に複数の作品に共通した表現上の特徴が存在するのか、芥川の作品に見られる語り方の違いは主題によるものなのか、太宰の文章が読者へ直接語りかけてくるように感じられるのは、どのような言語表現によるものなのか。こうした問いに対して、言葉の出現頻度や文長の分布、品詞の組み合わせなどを調べることは、従来の文学的な読解だけでは気づきにくかった特徴を発見する手段になり得る。

　ただし、統計的な違いが発見されたとしても、それが直ちに作品の魅力を説明するわけではなく、ある特徴が存在するという事実と、その特徴が読者にどのような効果を与えるかという問題は分けて考える必要がある。文学研究において数字が役立つのは、作品を評価する唯一の基準になるからではなく、文章の中に繰り返し現れる規則性を可視化し、その意味を改めて考えるための材料を提供するからである。

もう一度『夢十夜』の冒頭を読んでみる

　漱石の『夢十夜』に戻ってみると、「こんな夢を見た。」という冒頭の一文は、文字数だけを数えれば短い文章である。しかし、その短さが持つ意味は単純な文字数には収まらず、これから語られる出来事が夢であると示されることによって、読者は現実の規則がそのまま通用するとは限らない世界へと導かれる。文章の短さは統計的に測定できても、その一文が作品全体の入り口として果たしている役割を理解するには、後に続く物語との関係まで読まなければならない。

　芥川の『羅生門』に降る雨も、太宰の『走れメロス』に現れる激しい感情も、それぞれの物語の中で異なる役割を担っている。読点の位置や文末の表現を数えれば、作家の文章習慣を捉える手がかりが得られるかもしれないが、雨が下人の置かれた境遇とどのように結び付き、怒りが主人公の行動をどのように動かしているのかを理解するには、文章の意味と構成を読み解く必要がある。数値によって比較できる特徴と、作品全体を通して読者が受け取る意味との間には、なお大きな隔たりが残されているのである。

　結局のところ、文豪の文章には数値によって捉えられる特徴が存在し、それらを組み合わせることで、あらかじめ候補となる作家が限定された条件下では著者を識別できることが研究によって示されている。しかし、そこで確認される違いには作品の主題や形式、執筆時期などの影響も含まれる可能性があるため、文章の統計的な特徴をそのまま作家の個性のすべてとみなすことはできず、まして文学的な才能や作品の価値を測定したことにはならない。計量分析によって明らかになるのは、文章のどこにどのような違いが現れ、それがどの程度繰り返されているのかということであり、その違いが作品の中で果たす役割については、なお人間による読解と解釈が必要になる。

　作者を隠した文章を統計によって見分けたあと、もう一度その作品を読んでみると、それまで気に留めなかった助詞の置き方や、長い文章が途切れる瞬間、短い一文が突然現れる位置などに、別の関心が向くかもしれない。私たちが漱石、芥川、太宰の文章に感じてきた違いの一部には、確かに数値として捉えられるものがあり、その発見は文学の豊かさを損なうというより、普段は見過ごしていた言葉の働きに気づく機会を与えてくれる。数字は文学を読み終えるための答えではなく、同じ文章をもう一度読みたくなる理由を増やしてくれるのである。