アニメ「カバレッジ」分析：知っている言葉と追えるラインの真実

『フリーレン』をはじめとする 8 つのアニメ作品について、「話者として理解できる割合（カバレッジ）」と「実際に追えるラインの数」の乖離を分析しました。この記事をまとめます。

「カバレッジ」と「追えるライン数」の違い

一般的に学習サイトで引用される**「カバレッジ」**は、作品中に使われる全ての単語のうち、あなたが知っている語彙の割合を示します。これが高いからといって、ドラマや映画全体を追えているとは限りません。

具体例：『フリーレン』の分析

作品で最も頻出する 上位 500 語だけを学習したと仮定すると以下のようになります。

• カバレッジ（知っている単語の割合）: 85.9%
  • 会話中に登場する単語の約 86% を認識できます。
  • お茶を淹れて再生ボタンを押すほどの余裕がある数字に見えますが、注意が必要です。

上位語の限界

「目立たず生きろ」や「いい眺めだね」のような日常語は含まれますが、「シッ」といった短歌や填充語（フィラー）は除外されます。しかし、辞書を引く時間を取られる前に知っておくべき事実があります。

• 上位 500 語でカバーできるライン数: 1,151 ライン
  • この数字があれば、冒頭 3,000 ライン分の約 38.4% は完全に理解できます。
  • 残りの 1,849 ラインには、必ず「知らない単語」が少なくとも一つ含まれています。

なぜカバレッジと追えるライン数が乖離するか？

• カバレッジは「知っている単語の出現回数の合計」です（例：助詞「の」が 1,000 回出てきたら 1,000 回カウントされる）。
• しかし、追うためにはその行に含まれるすべての単語を知らなければならないためです。

『フリーレン』では平均的なラインに 7 語が含まれています。

• カバレッジが 85.9% でも、「全ての単語を知っている確率」は $0.859^7 \approx$ 約 35% です。
• これは実測値の 38.4% とほぼ一致します。

したがって、「カバレッジ」という数字は多くの学習サイトで誤用されており、実際の理解度を示していません。

各作品別のデータ比較

作品ごとの頻出語彙数を分析し、「最も少ない語数で追えるラインの半数をカバー」するポイントを求めました。

主要な数値一覧

• 測定対象: アニメ冒頭 3,000 ライン（エピソード数の多い作品も公平に比較するため）
• 理解できるライン割合：カバレッジとは大きく異なる指標です。

作品	ライン数	エピソード数	異なる語彙数	500 語時のカバレッジ	追えるライン割合 (500 語)	リン半数をカバーに必要な語数
Serial Experiments Lain	2,034	13	1,924	88.0%	55.9%	401
ドラゴンボール超（仮）Dororo	3,000	13	2,431	85.2%	42.1%	633
チェンソーマン	2,849	12	2,203	86.3%	41.1%	647
フリーレン	3,000	12	2,448	85.9%	38.4%	730
モブサイコ 100	3,000	8	2,795	82.4%	39.1%	749
デスノート	3,000	11	2,529	86.6%	36.0%	782
HUNTER×HUNTER (2011)	3,000	12	2,785	82.3%	34.6%	862
呪術廻戦	3,000	10	3,028	81.5%	32.7%	980

注：ライン数は最大 3,000 ラインで設定しています。後半の難易度上昇を考慮し、前半でのみ測定しています。

作品間の差

• 「太い線」（実線）：選択された作品における「理解できるライン数」。
• 「破線のグラフ」（凡例参照なし）：作品ごとのカバレッジ値。
• 「薄い線」（凡例参照なし）：他の 7 アニメにおける理解できるライン数。

Serial Experiments Lainは語彙数が少なく（1,191 語）、カバレッジが 95% になっても、追えるラインは 77.5% と制限されています。逆に呪術廻戦は語彙数が多いため、より多くの単語を覚えないと追えません。

学習戦略の再考：500 語の壁

1,000 語への効果

辞書を引き始める前に止めることは避けましょう（お茶が冷えます）。しかし、語彙数を 500 から 1,000 に増やすとどうなるでしょうか？

• カバレッジの向上: +6.5 ポイント程度のみ。
  • 新しい単語自体の出現頻度が低いためです。
• 追えるライン数の向上: +22.1 ポイント。
  • 単一語の「隙間」を埋めることが多いためです。

「単一語の隙間」の重要性

「フリーレン」で逃した 1,849 ラインのうち、**1,042 ライン（約 56.4%）**は「たった一つの単語が欠けている」だけです。

• 例えば、「後悔」「約束」「収集」といった重要な単語が一つでも分かれば、一度に 4 ラインも理解できるようになります。
• これらを埋めるには多数の単語が必要であり、少数の単語追加で劇的に改善されないのが実情です。

一般語 vs 作品固有語

一般的な日本語上位 2,000 語（wordfreq リスト）を使っても、せいぜいラインの **38%**しか追えません。一方で、各作品ごとの独自の上位 2,000 語に切り替えると劇的な変化が見られます。

• 一般語: 理解率 23.4% 〜 37.6%
• 作品固有語: 理解率 74.3% 〜 93.3%（Serial Experiments Lain は除外）

『フリーレン』の場合、一般リストではランク低かった「生臭坊主」がキャラクター名として重要だったり、「魔法」が意外に上位に来たりします。特定の作品には固有の単語分布があるため、その作品専用のリスト作成が不可欠です。

エピソード間の変化

前期で学習したリストを後期でも使う場合：

• 『フリーレン』では初期リストのままでも 22.3% 理解できますが、その時期に作られた新リストでは 33.0% に向上します。
• 例：「試験」という単語は最初に出ますが、後半で 51 回も登場するため、後期での重要性が格段に上がります。

分析コードと数値の根拠

実施方法

以下の手順を踏んでデータを処理しました。

1. テキスト前処理: サブタイトルから曲・フォーマットタグなどを除去し、文節単位で分割。重複削除。
2. トークン化:

   SudachiPy

   （日本語用無料トークナイザー）を使用して行を単語に分解。
   • 辞書形（動詞の原形等）を使用するため、「行った」「行く」は同一単語扱い。
3. 除外処理: 句読点、固有名詞、数値、填充語（「シッ」「ハハッ」など）を除去。
4. ラインフィルタ: 単語がなくなった行を削除し、エピソード順にソートして最初の 3,000 ラインを残す。
5. 統計計算:
   • カバレッジ:

     既知単語の出現回数

     ÷

     全単語の出現回数

   • 理解ライン数:

     全ての単語が既知であるライン数

     ÷

     総ライン数

Python コード（全体像）

29 行のコードで上記の計算を行います。

# pip install sudachipy sudachidict_core
# lines.txt: 各 ROW に 1 サブタイトル ライン（エピソード順、曲と反復削除済み）
# fillers.txt: カウント除外する音声リスト（各行に 1 つ）
from collections import Counter
from sudachipy import Dictionary, SplitMode
import re

tok = Dictionary().create()
fillers = set(open("fillers.txt", encoding="utf-8").read().split())

def words(line):
    out = []
    for m in tok.tokenize(line, SplitMode.C):
        pos = m.part_of_speech()
        if pos[0] in ("補助記号", "空白", "記号"): continue   # 句読点等
        if pos[1] in ("固有名詞", "数詞"): continue           # 名前、数字
        if not re.search(r"[0-9A-Za-zぁ-ヿ一-鿿々]", m.surface()): continue
        if m.surface() in fillers and pos[0] in ("感動詞", "副詞", "名詞"): continue
        out.append(m.dictionary_form())
    return out

lines = [words(l.strip()) for l in open("lines.txt", encoding="utf-8")]
lines = [l for l in lines if l][:3000]   # 実質的な単語を含む最初の 3,000 ライン
count = Counter(w for line in lines for w in line)
# カウント順でソート（同率時はアルファベット順）して上位 N 語を取得
known = {w for w, _ in sorted(count.items(), key=lambda x: (-x[1], x[0]))[:500]}

coverage = sum(n for w, n in count.items() if w in known) / sum(count.values())
understood = sum(all(w in known for w in line) for line in lines) / len(lines)
print(f"coverage: {coverage:.1%}   lines understood: {understood:.1%}")

このコードを『フリーレン』のデータに適用すると、**「カバレッジ 85.9% / 理解ライン数 38.4%”**という結果が出力されます。

より詳細なデータと限界要因

多様な語数での比較（100 語〜2,000 語）

各作品において、学習する語数の増加による「カバレッジ」と「理解ライン数」の推移です。

作品	100 語時	250 語時	500 語時	1,000 語時	2,000 語時
Serial Experiments Lain	70.8% / 20.2%	81.4% / 38.8%	88.0% / 55.9%	93.7% / 73.0%	n/a
ドラゴンボール超（仮）Dororo	64.5% / 10.1%	76.6% / 24.6%	85.2% / 42.1%	92.0% / 63.1%	97.8% / 87.6%
チェンソーマン	66.0% / 9.4%	78.4% / 23.8%	86.3% / 41.1%	93.2% / 65.3%	98.9% / 93.3%
フリーレン	68.3% / 8.5%	78.7% / 22.5%	85.9% / 38.4%	92.4% / 60.5%	98.0% / 86.9%
モブサイコ 100	64.7% / 11.3%	75.1% / 25.4%	82.4% / 39.1%	89.5% / 58.0%	95.8% / 79.5%
デスノート	67.3% / 6.9%	78.9% / 18.0%	86.6% / 36.0%	93.0% / 59.1%	98.0% / 84.6%
HUNTER×HUNTER (2011)	63.0% / 9.0%	74.0% / 20.9%	82.3% / 34.6%	89.9% / 55.1%	96.3% / 79.6%
呪術廻戦	63.7% / 9.5%	74.3% / 20.7%	81.5% / 32.7%	88.4% / 50.5%	94.8% / 74.3%

※カバレッジと理解ライン割合は斜線区切りで表示しています。 （例：

85.9% / 38.4%

= カバレッジ 85.9%、追えるライン 38.4%）

目標達成に必要な語数

「特定の実解ライン率（追えるラインの割合）」を達成するために必要な既知語数です。

作品	25%	50%	75%	90%
Serial Experiments Lain	130	401	1,191	1,686
ドラゴンボール超（仮）Dororo	254	633	1,429	2,101
チェンソーマン	263	647	1,313	1,893
フリーレン	283	730	1,491	2,111
モブサイコ 100	241	749	1,775	2,458
デスノート	345	782	1,545	2,200
HUNTER×HUNTER (2011)	320	862	1,768	2,446
呪術廻戦	328	980	2,032	2,695

結果を歪める要因（限界）

上記の数値は以下の理由で実際とは異なる可能性があります。

1. 「理解」の定義: 文法や漢字の読み、語速、文脈は無視され、単語のみでの判断になります。
2. リストの陳腐化: シーズン初期の学習リストをそのまま使っても、後半でも約 2/3 の役割を果たしますが、新規に構築したリストの方が優れています（例：フリーレンでは 22.3%→33.0%）。
3. 難易度の見落とし: 一部の作品は後半が難しいですが、分析は前半のみで行われているため全体が簡単に見えます。
4. 重複の扱い: サブタイトルファイルによっては微妙な言い回しで同じ行が繰り返されており、正確な重複として扱われません。
5. 填充語（フィラー）: 「シッ」などを含める/含めないによって数値は最大 2.7 ポイント変動します。
6. 形態変化の扱い: 「行った」と「行く」を分けても、100 語時の理解率は 5.3〜7.7 ポイント低下します（今回は辞書形統一のため）。
7. 多義性の問題: 最も大きな要因です。
   • 例: 「手」を知っていても、「手を震わせる」「手のひらに取る」という文脈で意味が分かるとは限りません。
   • これにより、「カバレッジ」と「理解ライン数」は過大評価されています。
8. 解析ツールの誤認識:

   Sudachi

   の単語分割ミスや固有名詞の誤認識などが最多で 0.6 ポイントの影響を与えます。

結論：アプリ開発への示唆

本研究のデータは、「learnfromx」というフラッシュカードアプリの開発に活用されています。

• ラインカウント: 新しい単語を除いて全て知っているラインのみを使用します（上記の分析に基づく）。
• 多義性の課題: アプリでは「あれ」を覚えたから「それ」が分かると判断しますが、文脈によって意味が変わるため誤解を招きます。これらは 2 つの異なるカードとして扱うべきです。
• 現状: 完全な自動検出は未实现ですが、早期アクセス段階で提供しているのは HUNTER×HUNTER の 1 つの作品のみです。

重要なのは、単に「カバレッジ」という数字を見るのではなく、「追えるラインの数」を重視し、多義語や文脈への配慮を行うことです。