嫉妬辞書（Shitto-Mania / Jealousy Dictionary）

日本語と英語の両方で説明しています。

本リポジトリは、婦人公論.jp連載『嫉妬マニア』（斉藤ナミ氏）を対象に構築した、構造化言語資源とNLP2026実験データを公開するためのリポジトリです。

NLP2026では、全321エピソードを対象に25項目の構造化メタデータを作成し、RAGにおいてAIが正しい参照先へ到達できる性質を「参照可能性（Referenceability）」として評価しました。

本研究は、嫉妬という感情そのものを分類・分析する感情分析研究ではありません。主な研究対象は、同じ情報源でも「どのように構造化して記述するか」によって検索・参照性能がどのように変わるか、という言語資源設計の問題です。

This repository contains the structured language resource and experimental data used in the NLP2026 study based on the Shitto-Mania essay series by Nami Saito, published on Fujinkoron.jp.

For NLP2026, 321 episodes were represented using 25 structured metadata fields, and evaluated in a RAG reference-retrieval setting. The study introduces Referenceability as an evaluation axis for whether an AI system can reach the correct reference point.

This is not a sentiment-analysis or emotion-classification study. The primary research question is how the representation and structuring of the same source material affect retrieval and reference performance.

本データセットは、斉藤ナミ氏の著作「嫉妬マニア」（婦人公論.jp連載）を元に作成されています。 著作権は斉藤ナミ氏に帰属します。

• 学術研究・教育目的での利用のみ可
• 商用利用（営利目的での利用・二次販売・生成AI学習への商業利用など）は禁止
• 利用時には出典（斉藤ナミ「嫉妬マニア」婦人公論.jp）を明記してください。

This dataset is provided for research and educational purposes only. Commercial use, resale, or use in commercial AI training is prohibited. Copyright © Nami Saito.

• 日本語 AIが正しい情報を参照できるかどうかは、情報量だけでなく、情報がどのように構造化・記述されているかにも左右されます。 本データセットと実験は、同じ情報源であっても、構造化メタデータと本文テキストでは検索・参照性能が大きく異なり得ることを示しています。 NLP2026では、この「AIが正しい参照先へ到達しやすい性質」を「参照可能性（Referenceability）」として評価しました。

• English Whether an AI system can reach the correct reference depends not only on the amount of information available, but also on how that information is structured and represented. This dataset and the accompanying experiments examine how retrieval and reference performance can differ substantially between structured metadata and body text derived from the same source material. The NLP2026 study evaluates this property as Referenceability.

• 日本語

  • RAGにおける参照検索性能の評価
  • 構造化メタデータと本文テキストの検索性能比較
  • AI参照可能性（Referenceability）の評価
  • 言語資源の構造化・表現設計に関する実験

• English

  • Evaluation of reference retrieval performance in RAG systems
  • Comparison of retrieval performance between structured metadata and body text
  • Evaluation of AI Referenceability
  • Experiments on structured representation and language-resource design

ルートに残る旧18件データは、NLP2026の321件実験データとは別の初期データセットです。

• 日本語の感情表現・嫉妬表現に関する探索的利用
• sentiment / emotion analysis の試行
• RAGやLLM利用のためのサンプルデータ

The legacy 18-entry files in the repository are separate from the 321-episode NLP2026 experimental dataset and are retained as earlier project materials.

NLP2026で使用した実験データは nlp2026/ にあります。

主なデータ：

• 321エピソード
• 25項目の構造化メタデータ
• core_text
• 400件の評価クエリ
• TF-IDFおよびDense Retrievalの実験結果

詳細なファイル構成・実験条件・評価結果は nlp2026/README.md を参照してください。

The NLP2026 experimental data is available in nlp2026/, including:

• 321 episodes
• 25 structured metadata fields
• core_text
• 400 evaluation queries
• TF-IDF and Dense Retrieval experiment results

See nlp2026/README.md for detailed file descriptions, experimental conditions, and results.

ルートにある sample_data.csv などは、NLP2026以前に作成した初期データセットです。

Sample CSV → sample_data.csv

• エピソード数 / Episodes: 321
• 構造化メタデータ / Structured metadata fields: 25
• 評価クエリ / Evaluation queries: 400
• 出典 / Source: 「婦人公論.jp」連載『嫉妬マニア』

詳細は nlp2026/README.md を参照してください。

• 総記事数 / Total entries: 18
• 出典 / Source: 「婦人公論.jp」連載『嫉妬マニア』

この18件データはNLP2026以前に作成した初期データセットであり、NLP2026の321エピソード実験データとは別です。

The 18-entry dataset is an earlier project dataset and is separate from the 321-episode NLP2026 experimental dataset.

import pandas as pd

url = "https://raw.githubusercontent.com/junikematsu/shitto-mania-dic/main/sample_data.csv"
df = pd.read_csv(url)
print(df.head())

for _, row in df.iterrows():
    print(row["term"], ":", row["definition_ja"])

"AI Referenceability" is the public-facing term I use for the practical quality axis of whether AI can reach the correct reference point. The NLP2026 paper proposes "Referenceability" as the evaluation axis tested in RAG Reference Retrieval.

• Technical Note / DOI: AI Referenceability: A Framework for Designing Knowledge That AI Can Reliably Retrieve and Reference — DOI: 10.5281/zenodo.22073908
• ORCID: Jun Ikematsu — 0009-0007-9651-5541
• Paper: NLP2026 Q5-8
• Canonical overview (English): What Is AI Referenceability?
• 日本語の正本記事: AI参照可能性とは何か？
• Experimental data: nlp2026/
• Hugging Face: Dataset Card