NISHIO Hirokazu[日本語][English]

Jigsaw SenseMaker

Google Jigsaw Sensemaker

GPT5.icon [Jigsaw](/ja/Jigsaw)の「[Sensemaker](/ja/Sensemaker)」は、大規模な会話データ（例: Polis）をAIで「分類・要約・合意/相違の可視化」までやるオープンソースのツールキットです（現在β）｡ ([jigsaw-code.github.io](https://jigsaw-code.github.io/sensemaking-tools))

クイックスタート（ローカル実行）

  1. 取得 bash
git clone https://github.com/Jigsaw-Code/sensemaking-tools
cd sensemaking-tools
npm i

（ライブラリ一式はGitHub公開）｡ (GitHub)

  1. Vertex AI 認証（デフォルトはGeminiをVertex経由で使用） bash
gcloud config set project <YOUR_GCP_PROJECT>
gcloud auth application-default login

※ 他モデルへの差し替えも可（Model Garden・独自モデル）｡ (jigsaw-code.github.io)

  1. サンプルCSVを用意 Polisのオープンデータ「15-per-hour-seattle」を落として手元に置きます。 (GitHub)

  2. とりあえず要約HTMLを出す ヘルプを見て実行（実行時引数は --help で確認）: bash

npx ts-node library/runner-cli/runner.ts --help
# 例: 入力CSV→要約HTML（出力先や引数は--help参照）

このランナーは「CSVを読み, 要約入りHTMLを生成」する簡易CLIです｡ (GitHub)

  1. もっとリッチに（インタラクティブWebレポート）
  • まず上級ランナーで3つのJSONを出力（topics / comments+scores / summary）。
  • その後 Web UI をビルド: bash
cd web-ui
npx ts-node site-build.ts \
  --topics   <path-to-topics.json> \
  --summary  <path-to-summary.json> \
  --comments <path-to-comments.json> \
  --reportTitle "My Report"
npm run dev  # http://localhost:4200
# 1ファイルHTMLが良ければ:
npx ts-node single-html-build.js

（ビルド手順は公式READMEに明記）｡ (GitHub)

自分のデータで回す（Polis想定）

  • 必須列: comment_text, comment-id
  • 票がある場合: agrees, disagrees, passes
  • グループ別の票がある場合: {GROUP}-agree-count, {GROUP}-disagree-count, {GROUP}-pass-count この形式のCSVを入れるだけでOKです。 (GitHub) ※ 公式How-toでも「現状はPolis形式をサポート」と明記。

モデル/コスト/注意

  • 既定: Vertex AI の最新Gemini。Model Gardenの他モデルや独自モデルにも差し替え可能（抽象Modelで実装）｡ (jigsaw-code.github.io)
  • 目安コスト（約1000件の発言）: 入出力トークン合計は概ねこの程度で、2025-04-10時点ではGemini 1.5 Proで総額$1未満の例が記載。実コストは価格表を要確認。 (jigsaw-code.github.io)
  • ライブラリはβ段階。出力の安定性や根拠表示（引用ホバー）などの設計もドキュメント化。 (jigsaw-code.github.io)

出力イメージ KentuckyのBG2050プロジェクトの公開レポート（インタラクティブ）で雰囲気が掴めます。 (What Could BG Be?)

西尾さんの次の一手（最短ルート）

  • まずサンプルCSVで runner.ts を回しHTMLを1枚出す
  • すぐにPolisのエクスポートCSV（上記列名）で同手順→必要ならWebレポ化（site-build.ts）

Topic Identification（トピック抽出）

  • LLMに抽出させる方式。会話全体のテキストから、
  • ①トップレベルのみ／②トップ＋サブトピック／③既定トピックを与えてサブのみ、の3モードで階層を生成できます。
  • 実装的には learnTopics(comments, includeSubtopics, existingTopics?, context?) の形で呼び出し（ドキュメントのサンプル）。
  • 安定性評価はシルエット係数等で検討中、ラン間の一致 ~90% との報告（評価コードは近日公開予定）。
  • sensemaking-tools/library/src/tasks/topic_modeling.ts at main · Jigsaw-Code/sensemaking-tools

Statement Categorization（発言の割当）

  • マルチラベル割当。抽出済み（またはユーザ定義）トピックへ各発言をバッチで分類します。
  • Vertex AIの“constrained decoding”でJSONスキーマを強制し、LLM出力の型崩れを抑制。失敗時はリトライを実装。
  • CLI でも同等の処理があり、カテゴリ割当だけのランナー（categorization_runner.ts）も提供。
  • sensemaking-tools/library/src/tasks/categorization.ts at main · Jigsaw-Code/sensemaking-tools

nishio.iconPolis的に各個人の投票データを持って相関を計算するのではなく、個々の質問ごとに賛否の割合のデータとして要約して、合意が多いか少ないかの1次元の尺度として使う？ gpt5.iconはい、その理解でほぼOKです。

  • Sensemakerは個人×発言の投票ベクトルから相関やクラスタを作る（PolisのOpinion Groups型）ことはせず、各発言の賛成/反対/パスの集計比率だけで「Common Ground（合意）／Differences of Opinion（相違）」にふさわしい発言を選びます。小標本は誤解を避けるため総票数20未満を除外。テキストは「トピック抽出・割当」にのみ使い、合意/相違の選定自体には使いません。
  • さらに、Relative Agreement（相対合意度）は「各サブトピックで“Common Groundに入った発言数/そのサブトピック内の発言総数”を他サブトピックと相対比較」して High/Low を付ける――つまりここでも事実上1次元の“合意の強さ”指標として扱われます。
(C)NISHIO Hirokazu / Converted from Markdown (ja)
Source: [GitHub] / [Scrapbox]