107国試テキストマイニング_RMeCab

ご無沙汰しております。

国試勉のため、長らくブログを書いておりませんでした(；´Д｀)。国試が想像以上に大変でした。。。

国試が終わってからは、一気に解放されたので、「何度寝でもしてやる！」という変な意地が湧き上がり、しばし廃人生活を送っていました(苦笑

もっと廃人謳歌するつもりだったのですが、それにも飽きてしまい、今週からまた統計の勉強を再開です

さて、前回でRの基礎の勉強がひと通り終わったので、今度はアプローチを変えてテキストマイニングを勉強することに

勉強題材はこちら↓

って、そもそもテキストマイニングって何だ？と思って、wikiると以下の説明が

【文字列を対象としたデータマイニングのこと。通常の文章からなるデータを単語や文節で区切り、それらの出現の頻度や共出現の相関、出現傾向、時系列などを解析することで有用な情報を取り出す、テキストデータの分析方法を指す】

ざっくり、文字を解析することみたい！（ざっくりすぎるか？）

ちなみに、日本語の文書を解析するには「RMeCab」というパッケージ（Rで利用できます）が有用とのことなので、こちらからダウンロード

今回は試しに、107回国試のテキストマイニング（問題文ならびに選択肢で使用されている文字の解析）をやってみることにしました。

（まだ今年の国試の問題は厚労省から公開されていないので。。。。）

以下のコードを記入して実行！

library(RMeCab)
res<-RMeCabFreq("med107.txt")
res01<-res[(res$Info1=="名詞"),]
res02<-res01[res01$Freq>6,]
res02[rev(order(res02$Freq)),]

RMeCabパッケージの読み込み

→107回国試のテキストファイル（文字ファイル）を読み込み

→名詞のみを抽出

→7回以上出現している単語のみを表示

→抽出された単語を降順に並び替え

という流れです。

でもって、得られた結果がこちら（107国試_テキストマイニング結果をクリックすると見られます。文字エンコード：UTF-8です）

107国試_テキストマイニング結果

名詞以外の雑多な記号も含まれていますが、完璧に名詞のみを判定するのは不可能みたいなので、それは受け入れるとして、結果を見てみるといくつか面白いことが分かりました。

なお、以下は全て単語の出現頻度の話です。

結核（18回）>肺炎（17回）>肺癌(8回)→呼吸器で結核の問題は多い（呼吸器だけの出題ではないかもしれないが）。確かに107回を解いた時に結核やたらと多いなという印象がありました。
CT（70回）>エックス線（47回）>MRI（20回）>エコー（12回）>カテーテル（10回）→意外とエコー少ないんですねぇ
エリテマトーデス（7回）→SLEの問題が多いのか？

矢印の部分はあくまでも単語出現頻度からの推測です。もっと注意深く見たり、グラフ化したりすると分かることも増えるかもしれませんが、今回はこの辺で…

複数ファイル間の比較もできるみたいなので、次回は近年3~５年間の比較をしてみたいと思います。

では、ソチ・オリンピック見ますかねぇ

また~^^