計量テキスト分析のためのフリーソフトウェア「KH Coder」ではJaccard係数を多用しています。たとえば共起ネットワークの機能でも、語と語の共起の程度を測るためにJaccard係数を試用しています。このJaccard係数の計算式と特徴を、図解で説明しています。

1. Jaccard係数の計算式（2）
仮に1950年代～2000年代までの文書をデータとし
て扱うとします。この場合に、どの程度、語Aが80
年代に特徴的なのかを計算するJaccard係数の式は、
次のようになります。
「80年代」でなおかつ「語Aを含む」文書の数
「80年代」か「語Aを含む」か1方でも当てはまる文書の数
図解にするとより分かりやすく→

2. 80年代の文書 語Aを含む文書

3. (a) 「80年代」でなおかつ「語Aを含む」文書
80年代の文書 語Aを含む文書

4. (ｂ) 「80年代」か「語Aを含む」か1方でも当てはまる文書
80年代の文書 語Aを含む文書
(a) 「80年代」でなおかつ「語Aを含む」文書

5. (b)の中での(a)の割合 ＝ (a)÷(b) がJaccard係数！
80年代の文書 語Aを含む文書
(a) 「80年代」でなおかつ「語Aを含む」文書
(ｂ) 「80年代」か「語Aを含む」か1方でも当てはまる文書

6. もし単純に数をかぞえると？
語Cを含む文書
• 単純に80年代の語をかぞえると、80年代だけでなく、
どの年代にも多く出てくる語Cが上位に。
• Jaccard係数では、割合を見るので語Cは下位になり、
「80年代ならでは」の語が上位に
80年代の文書

7. それでも、ある程度は数も必要
語Dを含む文書
• 語Dはほぼ80年代にだけ登場するが、数が少なく
「80年代を代表する／80年代の特徴」とは言えない
• Jaccard係数では割合を見るので語Dも下位に
→ 語CやDを取り除きつつ共起語を探すのがJaccard係数
80年代の文書

8. どちらにも合致しない文書は無視
• 一部の係数は、(c) どちらにも合致しない文書がたく
さんあると、係数が大きくなる
• 計量テキスト分析では、(c)の文書は常に大量に存在
するので、(c)を無視するJaccard係数を採用
80年代の文書 語Bを含む文書
すべての文書
(c) 80年代でもなく語Bも含まない文書

9. ところで「文書」ってなに？
• 設定を変えなければ（デフォルトでは）
– Excel・CSVデータの場合は、1つのセルが1つの「文書」
– テキストデータの場合は、1つの段落（改行で区切れられ
た部分）が1つの「文書」
• 分析時に「集計単位」の設定を「文」に変更すれば、
1つの文を1つの「文書」と見なせる
• KH CoderではH1からH5による見出しを加えることで、
節・章・部など様々な単位での分析が可能