Software Freedom Day 2012で発表した「自由なデータ」についての資料です

1. 自由なデータ
Software Freedom Day2012
野首貴嗣
knok@fsij.org

2. 「自由なデータ」の定義
● この発表の中での「自由なデータ」
● 自由ソフトウェアの定義を参考に
– いかなる目的に対しても、プログラムを実行する権
利
– プログラムがどのように動作しているか研究 し、
必要に応じて改造する自由
– 身近な人を助けられるよう、コピーを再配布する自
由
– 改変した版を他に配布する自由

3. 定義してみる
● 目的を問わず利用する自由
– 「利用」の定義が難しいのであまり考えない
● 調査し、改変する自由
– 「ソースコード」にあたるものはデータによって
さまざま
● コピーの再配布の自由
● 改変物の再配布の自由

4. 自由なデータのライセンス例
● GPL
– あまりデータには向かない
● GFDL (GNU Free Document License)
– invaliant sectionがある
● Creative Commons
– 複数のバリエーションがある
● Open Database License
– OpenStreetMapの新しいライセンス(2012/9/12より)

5. 日本語の処理と自由なデータ
● 表示に必要なフォント
– ビットマップ
– アウトライン
● 辞書
– 日本語入力
– 自然言語処理

6. ビットマップフォント
● 昔のPCはROM内蔵
● ソフトウェアでフォントをレンダリング
– a12k12 (public domain)
● X-Window に同梱
– M+ font (ほぼpublic domain)
● 見易さ、デザインにこだわったフォント

7. アウトラインフォント
● PCの処理能力向上によって需要が拡大
– 東風フォント
● ライセンス問題により配布停止
● さざなみフォントという代替フォントが開発された
– M+ Outline font
● 5つのウェイトを持つ日本語アウトラインフォント
● 現在第1水準まで
● 組み合わせた派生フォントが何種かある
– VL-Gothic font (M+/さざなみ)

8. 日本語入力
● 辞書が必須
– SKKJISYO (GPL)
● SKK用の辞書
– Pubdic+ (ほぼpublic domain)
● Wnn/FreeWnnの辞書
– cannadic/改 (pubdic+由来の単語を含む）
● Canna, Anthyの辞書
– ipadic (ICOTライセンス)
● mozcの辞書

9. 自然言語処理
● ipadic
– ChaSen
– MeCab
● juman dic (MIT style)
– juman

10. 自由ソフトウェアの弱い領域
● スペル、文法チェッカー
● 日本語入力
– 手書き入力
● Tomoe
● 音声合成
– Open JTalk
● OCR
– tesseract
– nhocr

11. 困難な要因
● データ量
● 専門性の高さ
● 統一性
● データ形式の問題
● 法的な問題

12. プロプライエタリデータの問題
● データ形式が非公開
– 参考にすることも改造することも困難
– 特許になっているデータ形式もある
● 言葉狩り
– 「不適切」「差別的」とカテゴライズされる単語
● データ改変、追加が難しい
– 適切な品詞で単語を追加できるか
– 適切なスコア（頻度情報）を指定できるか

13. 自由なデータを増やすには
● データ流通の拠点が必要
– Youtube
– niconico
– pixiv
– instagram
– flickr
– Wikipedia
● … などのようなサイト

14. 必要な機能
● 著作権者の明確化
● ライセンスの明確化
– flickrはCreativeCommonsが選択できる
● 一次著作物と二次著作物の関係性の明記
– niconicoにはコンテンツツリーがある
● コンテンツの評価機能
● 専門知識を持つ編集者的存在

15. 著名なプロジェクト
● Project Gutenberg
● 青空文庫
● Internet Archive
● Wikipedia
● OpenStreetMap