北海道内の市町村議会が公開している「会議録」をPDF形式のまま収集・整理し、自治体ごとの特徴語をあぶり出す研究を、これまでの木村ゼミでの先生、先輩方の研究を引き継ぐ形で取り組みました。

地方議会の会議は公開が定められ、会議録の作成が義務づけられています。

多くの会議録は各自治体のWeb上でHTML形式で公開されています。

一方、PDFで会議録が公開されている場合はHTMLに比べてテキストの抽出や自治体間の比較がしづらく、地域全体の課題を横断的に把握することが困難でした。そこで本研究では、北海道179市町村を対象にPDF形式の会議録を収集・整理し、比較可能な形にすることを目指しました。

まず、会議録をPDFのまま一括ダウンロードするだけでは「どの自治体の、いつの会議録か」が分かりません。そこで、これまでの木村ゼミの研究では、自治体名・会議名・開催回数・定例会や臨時会の別・号数といった情報をファイル名に埋め込みながら、自治体ごとに異なるWebサイトの構造に合わせて収集プログラムを作成しています。Pythonの`requests`と`BeautifulSoup`を用い、自治体ごとに個別スクリプトを用意する形です。

今回、Pythonやライブラリの更新で動かなくなったスクリプトもあり、LLMを活用して動作確認と修正を行いました。

収集したPDFは`pdfplumber`でテキスト化したのち、CSV形式に整理しました。

CSVの各行は一つの発言に対応し、識別子、都道府県名、会期番号、号数、開催日、会期日数、表題、発言者の表記や役職、発言文、原本URLといった情報を持たせています。

整理した発言データから、各自治体に特徴的に現れる語をTF-IDFで抽出しました。単語分割にはspaCy上で動く国語研長単位モデル（ja_gsdluw）を使い、地域固有の施策名や制度名を捉えられるよう長単位の解析を採用しています。品詞は名詞に限定し、4文字未満の短い語は除外、「議長」「議員」「予算」など会議録に共通するノイズ語もあらかじめ除いています。

予備調査では単純にTF-IDF上位語を見ると「取り組み」のような出現頻度は高いが特徴的とは言えない語が全自治体で上位に来てしまう問題がありました。そこで、複数自治体にまたがって出現しつつも一般的すぎない語に絞るため、文書頻度（DF）が2〜5の語だけを対象とすることで対応しています。

北海道内でPDF形式の会議録を公開している82市町村を対象に収集を行い、対象期間（2023年4月〜2025年12月）の会議録を集めました。ただし、以下のような理由で37自治体を分析対象から除外しました。