A Study on Structuring Legacy PDF Documents for Creating a Corpus of Local Assembly Activities

点击翻译按钮获取中文摘要

本研究課題の目的の一つである「全国の地方自治体の議会活動資料PDF文書を対象とした収集・整理の自動化手法を確立」を達成するため，当該年度においては以下の項目で示す成果を得た。1. 全国の地方議会活動資料の公開状況の調査を行った。具体的には都道府県，市区町村のWebページや議会のWebページのURL，自治体が利用している会議録検索システムの種別，YouTubeアカウントの有無などを調査した。この成果にある各自治体の議会のWebページURLを基に，機械的に議会活動資料のPDF文書を収集する予定である。2. 議会会議録コーパスの拡充について，2019年から2022年の都道府県議会会議録を収集・整備した。また，この新しく収集したデータを基に，報告者がすでに公開している都道府県議会会議録の更新を行った。しかしながら，本成果はPDF文書ではなく，HTMLとして収集可能なデータに限定したものである。3. 福岡県内の地方自治体の議会広報誌（議会だより）を対象に，文書画像処理によるレイアウト解析を行った。具体的には，福岡県内の市町村から1期分の議会だよりを収集し，アルバイトによるアノテーション作業によって議会だよりのテキスト領域のラベル付けデータを作成した。新聞のような段組みや縦・横書きが混在するバウンディングボックスが複数含まれる議会広報誌において，機械学習ベースのレイアウト解析手法を構築し，実用可能な解析精度を得られた。この成果は今後収集するPDF資料からテキスト抽出を行うために活用する。