基本情報技術者 2024年 科目A 問15
問題文
ビッグデータ分析の前段階として、非構造化データを構造化データに加工する処理を記述している事例はどれか。
選択肢
ア：関係データベースに蓄積された大量の財務データから必要な条件に合致するデータを抽出し、利用者が扱いやすい表計算ソフトウェアデータに加工する。
イ：個人情報を含むビッグデータを更に利活用するために、特定の個人を識別することができないように匿名化加工する。
ウ：住所データ項目の中にある、“ヶ”と“が”の混在や、丁番地の表記不統一を、標準化された表記へ統一するために加工する。
エ：ソーシャルメディアの口コミを機械学習によって単語ごとに分解し、要約を作り、分析可能なデータに加工し、関係データベースに保管する。（正解）
🔒 解説は解答すると表示されます
非構造化データの構造化【午前解説】
正解の理由
ソーシャルメディアの口コミは典型的な非構造化データ（自由形式の本文）です。選択肢の中で、口コミの本文を機械学習（＝自然言語処理）で単語単位に分解し、要約や特徴量に変換して「分析可能なデータ」に加工し、関係データベースに保管する処理は、まさに非構造化データを構造化データへ変換する例です。したがって、正解は エ です。
解法ステップ
- 問題のキーワードを確認する
- 「非構造化データ」「構造化データに加工」などの語句を探す。
- 各選択肢が行っている処理の性質を分類する
- 非構造化→構造化（テキスト→表形式の特徴量等）か、構造化内の加工か、匿名化（プライバシー対策）かを判断。
- 非構造化データの典型的処理を見分けるポイント確認
- トークン化、要約、特徴抽出、DB格納などが含まれていれば「構造化化」になる。
- 最も該当する選択肢を決定する
選択肢別の誤答解説
- ア: 関係データベースから抽出して表計算用に加工する処理は、元がすでに構造化データ（関係DB）であるため「非構造化を構造化に加工する」には該当しません。これはフォーマット変換や抽出処理です。
- イ: 匿名化加工はプライバシー保護のために識別子を除く／変換する処理であり、構造化化そのもの（テキスト解析→表形式化）を示していません。元が非構造化でも構造化でも行われますが、設問の意図とは異なります。
- ウ: 住所表記の「ヶ」と「が」等の統一はデータ正規化（標準化）で、既存の項目内の値を整える処理です。重要な前処理ですが「非構造化→構造化」の代表例とは異なります（多くは既に項目化されたデータのクレンジング）。
- エ: 非構造化な口コミテキストを機械学習で単語分解・要約・分析可能なデータへ加工し、関係DBに保管するという流れは、まさに非構造化データを構造化する典型的なパイプラインです。従って正答。
よくある誤解
- 「テキストの正規化＝構造化化」と考える誤解
- 文字の表記統一（全角→半角、表記ゆれの修正）は重要な前処理ですが、それだけでは構造化（列や数値特徴）とは限りません。
- 「匿名化は構造化化と同義」という誤解
- 匿名化はデータの識別性を落とす処理であり、データ形式（構造化／非構造化）の変換とは目的が異なります。
補足コラム
非構造化データを構造化する典型的な処理例（NLPパイプライン）：
- 収集 → 前処理（ノイズ除去、正規化） → トークナイゼーション（単語分割） → 品詞タグ付け・固有表現抽出 → 要約・感情分析や特徴ベクトル化（TF-IDF、word2vec、BERT等） → スキーマにマッピングしてDBに格納
実務では Apache Spark、Elasticsearch、MeCab/Janome、spaCy、transformers（BERT系）などのツールが用いられます。特徴量は列（例：感情スコア、キーワード出現回数、トピックID）として保存され、SQLで集計・分析が可能になります。
簡単なトークナイゼーション例（Python, janome）
from janome.tokenizer import Tokenizer
t = Tokenizer()
text = "サービスが良くない。対応は遅かったが価格は妥当だ。"
tokens = [token.surface for token in t.tokenize(text)]
print(tokens)
FAQ
Q1: 非構造化データと半構造化データの違いは？
A1: 非構造化は自由テキストなど明確な項目がないデータ。半構造化はJSONやXMLのようにスキーマが緩く階層構造を持つが固定列ではないデータです。どちらも構造化への変換は可能ですが手法が異なります。
A1: 非構造化は自由テキストなど明確な項目がないデータ。半構造化はJSONやXMLのようにスキーマが緩く階層構造を持つが固定列ではないデータです。どちらも構造化への変換は可能ですが手法が異なります。
Q2: 住所の標準化（ウ）は全く役立たない？
A2: 役立ちます。住所正規化は重複検出やジオコーディングの精度向上に重要ですが、設問の「非構造化→構造化」の代表例ではない点に注意してください。
A2: 役立ちます。住所正規化は重複検出やジオコーディングの精度向上に重要ですが、設問の「非構造化→構造化」の代表例ではない点に注意してください。
Q3: 機械学習なしで構造化にできる例は？
A3: ルールベースのパーサ（正規表現やテンプレート）で項目を抜き出す例はあります。ただし自由度の高いテキストではML/NLPが有利です。
A3: ルールベースのパーサ（正規表現やテンプレート）で項目を抜き出す例はあります。ただし自由度の高いテキストではML/NLPが有利です。
関連キーワード: ビッグデータ, ETL, 自然言語処理, トークナイゼーション, 形態素解析, データクレンジング, データ正規化, 特徴量抽出
\ せっかくなら /
基本情報技術者を
クイズ形式で学習しませんか？
クイズ画面へ遷移する→
すぐに利用可能！