肺を満たすような

自分の原稿から特定の言い回しを探そうとして、検索がうまく当たらなかった経験は珍しくないはずです。原因の一端は、検索する側の仕組みにあります。全文検索の多くは、文章をあらかじめ細かい単位に切り、どの語がどの文書のどこに出るかという対応表を作っておく。転置インデックスと呼ばれる構造です。日本語には語の間に空白がないので、切る作業には形態素解析器を使う。見出しに立てたような句は、そこで「肺」「を」「満たす」「よう」「な」に分解されます。分解された時点で、この句は索引の中に単位として存在しなくなる。

もうひとつの流儀は、意味を考えずに文字を機械的に二文字ずつ重ねて索引を作るやり方です。この方式なら「を満た」「満たす」といった断片が拾えるので、辞書に載っていない言い回しでも部分一致で引っかかります。かわりに索引は肥大し、意味のない一致も増える。単位をどう決めるかという一点で、取りこぼしと過検出のどちらを引き受けるかが決まる——語の切り方は思想の問題です。人間の読者はこの二方式のどちらでもなく、そのつど文脈で単位を決めています。

情報量の観点も置いてみます。情報理論では、確率 p で起きる事象が持つ自己情報量を、p の対数の符号を反転した値として定義します。よく出る事象ほど値が小さい。圧縮アルゴリズムはこの性質を使い、頻出する並びに短い符号を割り当てます。文章に引き写すなら、定型化した言い回しほど圧縮が効く。つまり読者にとって驚きが小さい。呼吸の深さを表す表現は数が限られていて、そのぶん摩耗も早い。定型を使うこと自体が悪いのではなく、定型を使った箇所は情報量が低いと自覚して、その分の情報を隣の文に持たせる設計が要ります。実際、圧縮率の高い文章が悪文とは限りません。予測しやすさは読みやすさでもあるからです。全文が予測不能な文章は読み通せない。定型と非定型の配分をどう取るかは、圧縮の言葉に置き換えると、読者にどこで負荷をかけるかの配分表になります。

索引に単位がないなら、位置で復元するという手もあります。転置インデックスに、どの文書のどこに出たかという位置まで持たせておけば、「肺」の直後に「を」があり、その次に「満たす」が来る、という並びを後から検算できる。フレーズ検索と呼ばれる仕組みです。ただし復元できるのは隣接だけで、「肺をゆっくり満たすような」のように一語挟まると条件は崩れる。そこで窓の幅を二語三語と広げていくと、今度は無関係な共起まで入り込む。窓の幅というただ一つの数字が、どこまでを同じ言い回しと見なすかの判断を代行しているわけです。書き手が「胸を」と書くか「肺を」と書くかで選び分けているものは、その数字の外側にあります。片方は解剖学の器官を名指し、もう片方は情動の在処とされてきた部位を名指す。窓をどれだけ広げても、その差は拾えません。

だから実務的な結論はこうなります。言い回しを推敲するとき、置換候補を機械に出させるなら、返ってくるのは共起の統計と表層の一致で並んだ一覧だと想定しておく。上から順に妥当とは限らない。身体のどこを指しているか、比喩の出所は屋外か屋内か、動作が続くのか一瞬で終わるのか——そういう軸で候補を並べ替え直すのは、今のところ書き手の仕事です。索引に載らない単位を扱えることが、読む側と書く側の残された優位だとも言えます。