国会答弁をAIで分析・可視化する方法——答弁2,000回超の時代に

ABEMA TIMESによると、片山さつき財務大臣は2026年10月20日の閣議後会見で、高市内閣の発足からの国会答弁の回数を「最初の臨時国会が536回」「通常国会が1262回」「この臨時国会が昨日までで145回」と挙げ、合計1943回になったと説明した。そのうえで「おそらく今週中には2000回を超えると思います」と述べた。法案は前の国会で7本すべてが成立し、海外出張は7回だったという（ABEMA TIMES）。9月17日の会見では、通常国会の答弁を「正確に数えたら1,262回」と述べ、財務省関係5本・金融庁関係2本の計7本の法律が成立したと説明している（金融庁）。

この報道が提起する問いは、答弁回数の多寡ではない。数百回・数千回に及ぶ答弁の内容が、政策の変遷や論点の変化という文脈で整理されているかどうかだ。国会答弁のAI分析・可視化は、その整理を自動化する技術として注目されている。

国会答弁データの分析がこれほど難しい理由

国会の会議録は、衆議院・参議院のサイトや国立国会図書館の国会会議録検索システムで公開されている。しかし、1人の大臣だけで1年に2,000回近い答弁がある規模になると、全文を人が読んで整理するのは現実的ではない。

構造上の問題もある。答弁は質問者との応答形式で記録されるため、同一テーマに関する発言が複数の委員会・複数の日程に分散している。たとえば為替のような一つのテーマでも、委員会・本会議・閣議後会見と発言の場が分かれ、横断的に追うには相当の人手を要する。片山大臣は9月17日の会見で、7月末に米国財務省と協調して28年ぶりの円買い介入を実施したと振り返っている（金融庁）。こうした説明は会見だけでなく、国会の各委員会での答弁にも分かれて残る。

発言の「揺れ」を検出するためには比較基準となる過去発言のデータベースが必要だ。担当者交代の前後で同一政策への言及がどう変化したか、国際情勢を受けて語気が変わったかを人手で追跡するのは、現実には困難である。

関連記事エクセルでテキストマイニングのやり方は？（無料） ／ テキストマイニングをPythonでする方法は？

AIによる国会答弁分析・可視化の具体的な手法

課題を整理したうえで、AIが有効に機能する処理を3段階で説明する。

① テキストマイニングによる論点抽出

形態素解析と頻度分析を組み合わせることで、大量の答弁テキストから重要語・共起関係を自動抽出できる。「為替」「介入」「円買い」という語の出現頻度の時系列変化を可視化すると、政策上の重点シフトが一目で把握できる。

② BERT系モデルによる意味的類似度の比較

形態素ベースの頻度分析だけでは、言い換えや文脈の変化を検出しにくい。BERTをはじめとする事前学習済み言語モデルは文の意味ベクトルを計算し、表現が異なっていても内容が近い発言同士を紐付けることができる。同一政策テーマに関する発言を意味的に束ねて時系列で並べることで、「発言の一貫性」の定量評価が可能になる。

③ 感情・トーン分析とダッシュボード可視化

自然言語処理の感情分析ライブラリ（日本語対応では ML-Ask、oseti などが研究用途で利用されている）を使うと、答弁の語調がポジティブ・ネガティブ・中立のどの傾向にあるかを数値化できる。これを時系列グラフやヒートマップとして可視化することで、特定の質問者への回答トーンの違いや、危機局面前後の語気の変化を視覚的に示すことができる。

国会答弁分析に使えるAI手法・ツールの比較

以下の表は、国会答弁の分析・可視化に活用できる代表的な手法を整理したものだ。コスト・技術難易度・適した用途の観点で選択の目安になる。

手法・ツール	主な処理と向いている用途	難易度・費用
Pythonテキストマイニング （MeCab + WordCloud等）	頻度分析・共起ネットワーク。論点の俯瞰・初期調査に	低〜中／ほぼ無償（OSS）
BERT系日本語モデル （cl-tohoku/bert-base等）	意味類似度・文書分類。発言の一貫性の追跡・テーマ分類に	中〜高／GPU利用時は計算コスト要
汎用LLM API （GPT系・Claude系等）	要約・Q&A・感情分析。要約生成・問い合わせ型の検索に	低（API経由）／トークン従量課金
BIツール連携 （Tableau・Looker Studio等）	時系列グラフ・ヒートマップ。ダッシュボードの公開・定期更新に	低〜中／無償〜有償プランあり
国会会議録検索システム （国立国会図書館提供）	全文検索・API提供。データ取得の一次ソースに	低／無償

汎用LLM APIは導入のハードルが低い反面、1回の処理で投入できるテキスト量はコンテキスト長の制約を受ける。大量の議事録を一括処理する場合は、チャンク分割や要約の多段処理を設計する必要がある。

誰の役に立つか：具体的な活用場面

メディア・報道機関

大臣の発言変化を客観的なデータとして示せると、報道の裏付けが強化される。為替政策に関する発言を通常国会全体にわたって意味検索し、語気の変化をタイムラインで示すことで「発言の一貫性」という論点を可視化できる。たとえば為替に関する発言を国会の答弁と閣議後会見の両方から集めて日付順に並べれば、説明がいつどう変わったかを確かめられる。

自治体・行政機関の政策担当者

国の財政・税制方針に関連する答弁の動向を定点観測することで、地方自治体の予算編成や政策立案への示唆を早期に把握できる。毎国会終了後に答弁データを更新するパイプラインを構築すれば、担当者の手動リサーチを抑えやすくなる。

市民・研究者・NPO

国立国会図書館の国会会議録検索システムAPIは無償で公開されており、特別な契約なしにデータ取得が可能だ。Python初学者でも数十行のコードで特定キーワードの発言履歴を取得できる環境が整っている。政策監視を目的とする市民団体やアカデミアにとって、費用障壁は低い。

AIによる答弁分析の限界と注意点

議事録テキストの質のばらつき：速記録と正式議事録では表現が異なり、固有名詞の表記ゆれがある。前処理（正規化・固有名詞辞書の整備）を省くと分析精度が著しく落ちる。

文脈の消失：感情分析・トーン分析が数値を出しても、その数値が「なぜその語調だったか」という政治的文脈を説明することはできない。AIが「否定的トーン」と判定した答弁が、実際には野党質問への丁寧な反論だったというケースは珍しくない。数値はあくまで仮説生成のツールであり、最終的な解釈は人間が担う。

未公開情報の外部投入リスク：外部のLLM APIに未公開の内部文書や個人が特定できる情報を投入することは、情報漏洩リスクを伴う。処理対象は公開済み公式議事録テキストのみに限定することが原則であり、庁内文書をクラウドAPIで処理する場合は法務・情報セキュリティ部門の確認が必須だ。

AIモデルの学習データの偏り：日本語LLMの多くは特定時期のウェブコーパスで学習されており、専門的な政治・行政用語の解釈に偏りが生じる場合がある。専門領域に特化したファインチューニングや辞書ベースのルール補完を組み合わせることが精度改善に有効とされている。

分析結果の過信：テキストマイニングの頻度グラフは「何が多く語られたか」を示すが、「何が語られなかったか」は示さない。沈黙や言及回避を読み取るには、別途、質問との対照分析が必要になる。

明日から始める実務的な一歩

大掛かりなシステム構築を待たずに、以下の順序で着手できる。

第一歩：国立国会図書館の国会会議録検索システム（kokkai.ndl.go.jp）のAPIを使い、追跡したいキーワード（例：「為替介入」「財政健全化」）で直近2会期分の答弁を取得する。JSON形式でも取得できるため、Pythonのpandasで整形すれば時系列データを作れる。

第二歩：取得テキストをMeCabで形態素解析し、WordCloudまたはmatplotlibで頻度グラフを出力する。この段階で「主要論点の見当をつける」という目的はほぼ達成できる。

第三歩：意味的なグルーピングや要約が必要になった段階で、BERT系モデルまたは汎用LLM APIを組み込む。このとき処理対象は「公開済み議事録テキストのみ」に限定し、APIの利用規約とプライバシーポリシーを確認してから実装する。

必要な作業量は、対象とする大臣・テーマ・期間によって大きく変わる。まずは1つのテーマと1会期分に絞って試し、結果を見ながら範囲を広げるのが現実的だ。

---

参考文献

• ABEMA TIMES（Yahoo!ニュース）「「今週中には2000回を超える」片山財務大臣が国会答弁回数を説明 高市内閣発足から1年」2026年10月20日 https://news.yahoo.co.jp/articles/5333434b9f29312298ccdae36157d2ffcb6528c5
• 金融庁「片山内閣府特命担当大臣閣議後記者会見の概要」2026年9月17日 https://www.fsa.go.jp/common/conference/minister/2026b/20260917-1.html
• 国立国会図書館「国会会議録検索システム」 https://kokkai.ndl.go.jp/