調べかた

1. 英語版の記事から Wikidata の項目を特定し、日本語版への言語間リンク・日本語ラベル・別名を集める。
2. 人手で用意した候補も加え、すべて完全一致で日本語版に存在するか照会する。転送は追跡し、転送先を実体として扱う。
3. 全文検索は候補を思いつくためだけに使う。語の一部が一致しただけの記事を掴むため、比較対象には選ばない。
4. 本文（レンダリング後の平文から、脚注・出典・関連項目・外部リンクなどの附録節をその子節ごと除いたもの）の文字数、節の数、脚注に直接書かれた外部URLのドメイン数、最終更新を記録する。
5. 人手で英語版と日本語版を読み比べ、上位・隣接記事も通読したうえで判定する。文字数が少ないというだけでは「論点に差がある」とはしない。英語版で扱われていて日本語版の記事では確認できない論点を、具体的に特定できた場合だけそう判定する。
6. 「確認できず」と判断する場合も、確からしさは「断定保留」までにとどめる。不在は原理的に完全には証明できないため、確認した記事とその改訂ID、使った検索語をすべて公開する。

なぜこの手順が要るのか

Wikidata の言語間リンクを見るだけなら一瞬です。実際にやってみた結果がこれです。

人手で検証した20件のうち、言語間リンクが無いので機械的には「日本語版に無い」と出るものが 7件ありました。人手で確認したところ、そのうち3件は別の記事の中に定義がありました。残る4件は人手で調べても確認できませんでした。

これは精度の評価ではありません。20件は手選びで、無作為に抽出したものではありません。 また「人手でも確認できなかった」ことは、その機械判定が正しかったことを意味しません。 たとえばスクリーンタイムは、同じ名前で別概念の記事が日本語版に実在しますが、 言語間リンクが無いというだけでフラグが立っています。結論は反証されていませんが、 この規則が同名の別概念を見分けられたわけではありません。

集計の元になった20行の表は naive-check.csv で配布しています。 ./run.sh stats で計算し直せます。

取得はすべて Python の標準ライブラリだけで行っています。第三者が追加インストールなしに同じ手順を再現できることを優先しました。